Tugas Akhir (Full)

ALGORITMA ANT COLONY OPTIMIZATION (ACO) UNTUK
MENYELESAIKAN TRAVELING SALESMAN PROBLEM (TSP)
SKRIPSI
Oleh :
Agus Leksono
J2A 002 002
PROGRAM STUDI MATEMATIKA JURUSAN MATEMATIKA

FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
UNIVERSITAS DIPONEGORO
SEMARANG
2009
ALGORITMA ANT COLONY OPTIMIZATION (ACO) UNTUK
MENYELESAIKAN TRAVELING SALESMAN PROBLEM (TSP)
Agus Leksono
J2A 002 002
Skripsi
Diajukan sebagai syarat untuk memperoleh gelar Sarjana Sains
pada
Program Studi Matematika
PROGRAM STUDI MATEMATIKA JURUSAN MATEMATIKA

FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
UNIVERSITAS DIPONEGORO
SEMARANG
2009
i
HALAMAN PENGESAHAN
Judul : Algoritma Ant Colony Optimization (ACO) untuk Menyelesaikan
Traveling Salesman Problem (TSP)
Nama : Agus Leksono
NIM : J2A 002 002
Telah diujikan pada sidang Tugas Akhir tanggal 10 Juni 2009
dan dinyatakan lulus pada tanggal 16 Juni 2009
Semarang, 16 Juni 2009

Panitia Penguji Tugas Akhir
Ketua,
Drs. Sarwadi, MSc. PhD

NIP. 131 835 919
Mengetahui, Mengetahui,
Ketua Jurusan Matematika Ketua Program Studi Matematika
FMIPA UNDIP Jurusan Matematika FMIPA UNDIP
Dr. Widowati, S.Si. M.Si Bambang Irawanto, S.Si. M.Si

NIP. 132 090 819 NIP. 132 102 826
ii
HALAMAN PENGESAHAN
Judul : Algoritma Ant Colony Optimization (ACO) untuk Menyelesaikan
Traveling Salesman Problem (TSP)
Nama : Agus Leksono
NIM : J2A 002 002
Telah diujikan pada sidang Tugas Akhir tanggal 10 Juni 2009
Semarang, 16 Juni 2009

Pembimbing Utama, Pembimbing Anggota,
Drs. Sarwadi, MSc. PhD Drs. Bayu Surarso, MSc.PhD

NIP. 131 835 919 NIP. 131 764 886
iii
ABSTRAK
Traveling Salesman Problem (TSP) merupakan persoalan yang penting dalam

sistem distribusi. Masalah traveling salesman secara umum digambarkan sebagai
suatu kasus dimana seseorang harus mengunjungi sejumlah kota dari suatu pusat
fasilitas dan kembali lagi ke tempat pemberangkatan semula, dengan asumsi jarak
diketahui. Tujuan dari masalah ini adalah untuk meminimalkan total jarak tempuh
salesman. Masalah traveling salesman termasuk kelas NP-Hard, sehingga sangat
sulit untuk diselesaikan menggunakan algoritma eksak. Untuk menyelesaikan
masalah tersebut biasanya digunakan algoritma heuristik. Algoritma Ant Colony
Optimization (ACO) merupakan salah satu metode metaheuristik yang
menerapkan semut sebagai agen dengan update Pheromone-nya untuk dapat
melakukan proses pencarian solusi yang efektif dan efisien. Algoritma ACO yang
dibandingkan sebanyak lima yaitu Ant System (AS), Elitist Ant System (EAS),
Rank-based Ant System (ASRank), Max-min Ant System (MMAS), dan Ant Colony
System (ACS). Simulasi dilakukan dengan mencari solusi mendekati optimal dari
beberapa kasus TSP dengan jumlah titik n = 20 sampai n = 115. Hasil mendekati
optimal diperoleh dengan melakukan beberapa kali percobaan untuk setiap kasus.
Selanjutnya hasil perhitungan untuk setiap kasus dan setiap algoritma
dibandingkan. Hasil perbandingan kelima algoritma ACO tersebut, terlihat bahwa
untuk jumlah titik sampai n = 40 solusi yang dihasilkan semua algoritma sama
baiknya. Untuk kasus dengan jumlah titik yang lebih banyak algoritma ACS
mempunyai solusi yang terbaik dan algoritma AS yang terjelek dari kelima
algoritma tersebut.
Kata kunci : Traveling Salesman Problem, Ant Colony Optimization, Ant System,
Elitist Ant System, Rank-based Ant System, Max-min Ant System, Ant
Colony System.
iv
ABSTRACT
The traveling salesman problem (TSP) is one of the important topics in

distribution system. Generally, this problem is viewed as a case which a salesman
must visit number of city from a centralized facility and back (return) to the initial
city, such that the total travel distance is minimized. The traveling salesman
problem is an NP-Hard class problem in optimization. It is very difficult to solve
this problem using exact method. Usually, it is solved by heuristic approaches.
Ant Colony Optimization Algorithms (ACO) is a meta-heuristic method,
algorithms applies ant as agent with update Pheromone in search solution process
with efficient and effectively. ACO algorithms are compared they are Ant System
(AS), Elitist Ant System (EAS), Rank-based Ant System (ASRank), Max-min Ant
System (MMAS), and Ant Colony System (ACS). A simulation of implementation
ACO algorithms is performed to solve TSP cases ranging the size from n = 20 to n
= 115. Near optimal solution are obtained by calculating every cases repeatedly.
Futhermore, the process of calculating of the solution for every cases and every
algorithm is compared. This comparison shows that the solutions of all algorithm
are same for problem us to n = 40 nodes. ACS algorithm’s solution is the best and
AS algorithm’s solution is the worst for problem with bigger number of nodes
(cities).
Keywords: Traveling Salesman Problem, Ant Colony Optimization, Ant System,

Elitist Ant System, Rank-based Ant System, Max-min Ant System, Ant
Colony System.
v
KATA PENGANTAR
Puji syukur penulis panjatkan kehadirat Allah SWT yang telah
melimpahkan rahmat dan hidayah-NYA sehingga penulis dapat menyelesaikan
tugas akhir ini. Sholawat dan salam penulis sampaikan kepada Rasulullah SAW
beserta keluarganya, sahabatnya, dan orang-orang yang tetap istiqomah dalam
mengikuti sunnahnya.
Tugas Akhir dengan judul “Algoritma Ant Colony Optimization (ACO)
Untuk Menyelesaikan Traveling Salesman Problem (TSP)” disusun sebagai
salah satu syarat untuk memperoleh gelar sarjana strata satu pada Fakultas
Matematika dan Ilmu Pengetahuan Alam di Universitas Diponegoro Semarang.
Pada kesempatan ini penulis mengucapkan terima kasih kepada :
1. Dr. Widowati, S.Si. M.Si selaku ketua jurusan Matematika FMIPA UNDIP.
2. Drs. Sarwadi, M.Sc, PhD selaku dosen pembimbing I yang dengan sabar
membimbing dan mengarahkan penulis hingga selesainya tugas akhir ini.
3. Drs. Bayu Surarso, M.Sc, PhD selaku dosen pembimbing II yang dengan
sabar membimbing dan mengarahkan penulis hingga selesainya tugas akhir
ini.
4. Bapak dan Ibu Dosen Jurusan Matematika FMIPA UNDIP dimana penulis
mendapatkan ilmu pengetahuan dan pengalaman yang sangat berharga.
5. Bapak dan ibunda tercinta yang selalu memberikan segalanya untuk putranya
tercinta. Juga kakak-kakakku dan keponakan – keponakanku yang lucu dan
vi
buat orang gemes, serta dindaq yang selalu menemani dan memberi
semangat.
6. Teman – temanku semua dan semua pihak yang telah membantu hingga
selesainya tugas akhir ini. Yang tidak dapat penulis sebutkan satu persatu.
Semoga Allah membalas segala kebaikan yang telah anda berikan kepada
penulis. Amin.
Penulis menyadari bahwa tugas akhir ini masih jauh dari sempurna. Oleh
karena itu, kritik dan saran yang membangun sangat penulis harapkan. Semoga
tulisan ini bermanfaat untuk semua.
Semarang, Juni 2009
Penulis
vii
DAFTAR ISI
Halaman
HALAMAN JUDUL …………………….………………….…………… i
HALAMAN PENGESAHAN……………………….…….…………….. ii
ABSTRAK…………………...…………….………….………………... iv
ABSTRACT…………………...…………….………….………………. v
KATA PENGANTAR……………………….……….………………….. vi
DAFTAR ISI .……………………………………………………............ viii
DAFTAR SIMBOL…….……….………………………........................ xiii
DAFTAR GAMBAR…………………….……...…………………….. xvi
DAFTAR TABEL.……………………….…………………..........….. xviii
DAFTAR LAMPIRAN………………………………………………… xix
BAB I PENDAHULUAN…………………….……...……………. ….. 1
1.1 Latar Belakang…………………...……….…………………… 1
1.2 Rumusan Masalah…………………...………….………...…… 4
1.3 Batasan Masalah……………………………..…..……………. 4
1.4 Tujuan Penulisan…………………………..……..………. ….. 5
1.5 Sistematika Penulisan………………………..……………….. 5
BAB II DASAR TEORI………………………………..……………..... 7
2.1 Teori Graph…………………………….……………............... 7
2.1.1 Definisi Graph………………………………………… 7
2.1.2 Definisi Walk…………………….…………………..... 9
viii
2.1.3 Definisi Trail dan Path………….……………………… 10
2.1.4 Definisi Cycle……………………….…………….......... 10
2.1.5 Graph Eulerian dan Graph Hamiltonian…………………. 11
2.1.6 Macam – macam Graph Menurut arah dan Bobotnya… 12
2.2 Optimisasi…………………………….……………….............. 14
2.2.1 Definisi Masalah Optimisasi……….………….............. 14
2.2.2 Definisi Nilai Optimal……………….………………… 15
2.2.3 Macam – macam Permasalahan Optimisasi…………... 15
2.2.4 Permasalahan Rute Terpendek………………………… 16
2.2.5 Penyelesaian Masalah Optimisasi……………………… 17
2.3 Traveling Salesman Problem (TSP)…………………………… 18
2.4 Ant Colony Optimization (ACO)………………………………. 21
2.4.1 Cara Kerja Semut Menemukan Rute Terpendek
Dalam ACO.................................................................... 22
2.5 Ant System (AS) …………………….……...…………............. 25
2.5.1 Aturan Transisi Status…………………….……............ 27
2.5.2 Update Pheromone Trail………………………………. 28
2.6 Elitist Ant System (EAS)……………………………………….. 29
2.6.1 Update Pheromone Trail………………………………. 29
2.7 Rank-Based Ant System (ASrank)…………………………..…… 30
2.7.1 Update Pheromone Trail………………………….…… 30
2.8 MAX – MIN Ant System (MMAS).................................................. 31
2.8.1 Update Pheromone Trail………………….…………… 32
ix
2.9 Ant Colony System (ACS)……………………………………….. 32
2.9.1 Aturan Transisi Status........................................................ 33
2.9.2 Global Pheromone Update…………………………......... 34
2.9.3 Local Pheromone Update……………………………… 35
BAB III PEMBAHASAN………………………………..……………… 36
3.2 Ant Colony Optimization (ACO) untuk Traveling
Salesman Problem…………………………………………….. 36
3.3 Ant System (AS) untuk Traveling Salesman Problem ………… 38
3.3.1 Langkah – langkah dalam menyelesaikan AS
untuk TSP…………………………………………….. 38
3.3.2 Penetapan Parameter Algoritma AS………………… 43
3.3.3 Pengaruh α , β dan ρ terhadap Performa
Algoritma AS ……………………………………… 43
3.4 Elitist Ant System (EAS) untuk Traveling Salesman
Problem …………………………………………………….. 46
3.3.2 Langkah – langkah dalam menyelesaikan EAS ……… 46
3.3.3 Penetapan Parameter Algoritma EAS………………… 50
Algoritma EAS.............................................................. 51
3.4 Rank-Based Ant System (ASRank) untuk Traveling Salesman
Problem ………………………………………………………. 53
3.4.1 Langkah – langkah dalam menyelesaikan ASRank .......... 53
3.4.2 Penetapan Parameter Algoritma AS Rank .......………… 56
x
Algoritma AS Rank........................................................... 57
3.5 MAX – MIN Ant System (MMAS) untuk Traveling Salesman
Problem .................................................................................... 59
3.5.1 Langkah – langkah dalam menyelesaikan MMAS …… 59
3.5.2 Penetapan Parameter Algoritma MMAS........................... 61
3.5.3 Inisialisasi Nilai Pheromone …………………………… 63
3.5.4 Pengaruh Batas Bawah Pheromone Terhadap
Performa MMAS................................................................ 64
3.5.5 Best so-far tour (Cbest) Vs Iteration best (Cib)…...……… 65
3.6 Ant Colony System (ACS) untuk Traveling Salesman
Problem ………………………………………………………... 66
3.6.1 Pseudocode Algoritma ACS Untuk TSP ………………. 66
3.6.2 Penjelasan Algoritma ACS …….………………………. 69
3.6.3 Perilaku Pheromone dan Hubungannya dengan
Performanya…................................................................. 72
3.6.4 Penetapan Parameter Algoritma ACS ………………… 75
3.7 Perbandingan Algoritma – Algoritma ACO …………………… 76
3.7.1 Kelebihan Algoritma ACO Berdasarkan Kinerjanya …... 76
3.7.2 Perbedaan Algoritma ACO Berdasarkan Cara Kerjanya ... 78
3.7.3 Parameter Terbaik pada Setiap Algoritma ACO ………. 80
3.7.4 Perbandingan hasil algoritma ACO pada beberapa
kasus.…....................................................................…… 81
xi
3.7.5 Perbandingan Algoritma ACO Berdasarkan
Jumlah Iterasi ……………………………………..…. 85
3.7.6 Perbandingan Algoritma ACO Berdasarkan
Waktu CPU …………………………………………... 87
3.7.7 Hasil Simulasi Algoritma ACO.…………………….. 92
BAB IV PENUTUP……......................................................................... 102
4.1 Kesimpulan……………………………….………………….. 102
4.2 Saran……………………………............................................. 103
DAFTAR PUSTAKA
LAMPIRAN
xii
DAFTAR SIMBOL
1. α : parameter pengendali intensitas jejak semut (Pheromone)
2. β : parameter pengendali visibilitas
3. ρ : parameter penguapan (evaporasi) Pheromone global
4. ε : parameter penguapan (evaporasi) Pheromone lokal
5. e : parameter yang menyatakan adanya tour terbaik pada EAS
6. J : variabel random yang dipilih berdasarkan Prsk
7. k : indeks semut
8. m : jumlah semut
9. n : jumlah titik (kota)
10. w : parameter yang menyatakan tour terbaik pada ASRank
11. z : peringkat semut pada ASRank
12. q : bilangan random pemilihan titik berikutnya pada ACS
13. Q : tetapan iterasi semut
14. avg : rata-rata jumlah dari pilihan berbeda semut dalam
menemukan tour terbaiknya
15. η rs : visibilitas antara titik r dan titik s
16. τ 0 : intensitas jejak semut (Pheromone) awal
17. τ rs : intensitas jejak semut (Pheromone) antara titik r dan titik s
18. τ min : batas bawah nilai Pheromone pada algoritma MMAS
19. τ max : batas atas nilai Pheromone pada algoritma MMAS
xiii
20. ρ best : parameter evaporasi terbaik MMAS untuk menhitung τ min
21. ∆τ rsbs : perubahan nilai Pheromone pada edge (r,s) dalam tour
terbaik untuk algoritma EAS
22. ∆τ rsk : perubahan nilai Pheromone pada edge (r,s) yang
dilakukan oleh semut k
23. ∆τ rsz : perubahan nilai Pheromone pada edge (r,s) yang
dilakukan oleh semut dengan peringkat z pada ASRank
24. ∆τ rsbest : perubahan nilai Pheromone edge (r,s) dalam tour terbaik
25. Ck : panjang tour yang dilalui semut k
26. Cz : panjang tour yang dilalui semut berperingkat z pada
algoritma ASRank
27. Cib : iteration best-tour pada MMAS
28. Cbs : panjang tour terbaik keseluruhan yang ditemukan sejak
awal algoritma dijalankan
29. Cnn : panjang tour terbaik yang diperoleh dari metode nearest
neighbourhood heuristic
30. Cbest : best so-far-tour pada MMAS
31. Tbs : tour terbaik pada algoritma EAS
32. drs : jarak (panjang) antara titik r dan titik s
33. dsr : jarak (panjang) antara titik s dan titik r
34. rk : titik dimana semut k berada
( )
35. J k rk1 : himpunan titik-titik yang belum dan akan dikunjungi oleh
xiv
semut k yang berada dititik rk1
36. J k (s k ) : himpunan titik-titik yang belum dan akan dikunjungi oleh
semut k yang berada dititik s k
37. q 0 : parameter pembanding nilai random (q) nilainya
0 ≤ q0 ≤ 1
38. Prsk : probabilitas semut k pada titik r yang memilih titik s
39. J rk : himpunan titik yang akan dikunjungi semut k yang berada
pada titik r
40. NCmax : jumlah iterasi maksimum
41. Tabuk : tabu list untuk semut k
42. Tabuk(r) : elemen ke r dari Tabuk, yaitu titik ke-r yang dikunjungi
semut k pada sebuah tour
43. d tabuk ( s ),tabuk ( s +1) : jarak edge dari titik s sampai s+1 pada tabu list yang
diperoleh semut k
44. d tabu k ( n ),tabu k (1) : jarak edge dari titik n sampai 1 pada tabu list yang
diperoleh semut k
45. G = (V,E) : graph dengan himpunan vertek V dan himpunan edge E
46. E : himpunan edge E
47. V : himpunan vertek V
48. G’= (V’,E’) : subgraph dari graph G
49. E’ : himpunan bagian edge dari edge E
50. V’ : himpunan bagian vertek dari vertek V
xv
DAFTAR GAMBAR
Halaman
Gambar 2.1 Contoh Graf G …………………..………………..... 7
Gambar 2.2 Sisi Ganda dan Loop …………………….………..... 8
Gambar 2.3 Contoh 3 Graph G dan Subgraph G’ ……………….. 9
Gambar 2.4 Walk uvwxywvzzy ………………….…….……….., 11
Gambar 2.5 Graph Euler dan Grap Hamilton ….………….…...... 12
Gambar 2.6 Graf berarah dan berbobot ………………….…….... 13
Gambar 2.7 Graf tidak berarah dan berbobot ………………….... 13
Gambar 2.8 Graf berarah dan tidak berbobot ………………….... 14
Gambar 2.9 Graf tidak berarah dan tidak berbobot ………........... 14
Gambar 2.10 Graph ABCDEFG …………….………………….... . 16
Gambar 2.11 Ilustrasi Masalah TSP ………....…………………..... 19
Gambar 2.12 Graph ABCD ..……..……………………………...... 20
Gambar 2.13 Sirkuit Hamilton ………………………………......... 20
Gambar 2.14 Perjalanan Semut dari Sarang ke Sumber Makanan.... 23
Gambar 3.1 Pengaruh Nilai α Terhadap Performa AS….........…… 44
Gambar 3.2 Pengaruh Nilai β Terhadap Performa AS……........... 45
Gambar 3.3 Pengaruh Nilai ρ Terhadap Performa AS……........... 45
Gambar 3.4 Pengaruh Nilai α Terhadap Performa EAS……......... 51
Gambar 3.5 Pengaruh Nilai β Terhadap Performa EAS…............. 52
Gambar 3.6 Pengaruh Nilai ρ Terhadap Performa EAS……......... 52
Gambar 3.7 Pengaruh Nilai α Terhadap Performa ASRank…............ 57
xvi
Gambar 3.8 Pengaruh Nilai β Terhadap Performa ASRank…........... 58
Gambar 3.9 Pengaruh Nilai ρ Terhadap Performa ASRank…............ 58
Gambar 3.10 Perubahan Nilai Pheromone Saat Perjalanan ………….. 73
Gambar 3.11 Grafik performa algoritma ACO berdasarkan jumlah
iterasi dan deviasi (error) terhadap tour optimal
pada masalah kroA100 (100 titik)………………………. 85
Gambar 3.12 Grafik performa algoritma ACO berdasarkan waktu CPU
pada kasus d198 (198 titik)………………...................... 88
Gambar 3.13 Grafik performa algoritma ACO berdasarkan waktu CPU
pada kasus rat783 (783 titik) ……………......................... 90
Gambar 3.14 Grafik performa algoritma ACO berdasarkan jumlah
iterasi pada kasus 100 titik ……………………………… 100
Gambar 3.15 Grafik performa algoritma ACO berdasarkan waktu
perhitungan CPU pada kasus 100 titik ….……................. 101
xvii
DAFTAR TABEL
Halaman
Tabel 3.1 Hasil eksperimen inisialisasi Pheromone untuk batas
atas (τ (0 ) = τ max ) dan batas bawah (τ (0 ) = τ min ) ……. 64
Tabel 3.2 Hasil eksperimen nilai batas bawah Pheromone dan
tanpa batas bawah Pheromone ………………………. 65
Tabel 3.3 Hasil eksperimen Best so-far tour (Cib) Vs Iteration
best-tour (Cbest) dengan dan tanpa menggunakan
batas bawah Pheromone……………………….……… 66
Tabel 3.4 Perbedaan cara kerja pada algoritma-algoritma ACO ... 79
Tabel 3.5 Penetapan parameter terbaik algoritma ACO untuk
TSP ………………………………………………….... 80
Tabel 3.6 Perbandingan hasil perhitungan AS, EAS dan ASRank … 82
Tabel 3.7 Perbandingan hasil perhitungan MMAS dan ACS …….. 84
Tabel 3.8 Perbandingan hasil perhitungan AS, EAS, ASRank,
MMAS dan ACS ……………………………………….. 94
Tabel 3.9 Perbandingan hasil perhitungan Algoritma ACO……….. 97
xviii
DAFTAR LAMPIRAN
Lampiran 1. Hasil eksperiment (Dorigo, M.,.& Stu¨tzle, T. ( 2004)) perbandingan
algoritma ACO berdasarkan jumlah iterasi pada kasus kroA100.
algoritma ACO berdasarkan waktu CPU pada kasus d198.
algoritma ACO berdasarkan waktu CPU pada kasus rat783.
Lampiran 4. Koordinat Masalah

Lampiran 5. Contoh Hasil perhitungan algoritma ACO untuk beberapa kasus.
Lampiran 6. Hasil simulasi algoritma ACO berdasarkan jumlah iterasi pada
kasus 100 titik.
Lampiran 7. Hasil simulasi algoritma ACO berdasarkan waktu perhitungan CPU
pada kasus 100 titik.
xix
BAB I
PENDAHULUAN
1.1 Latar Belakang
Traveling Salesman Problem (TSP) dikenal sebagai salah satu
masalah optimasi yang banyak menarik perhatian para peneliti sejak
beberapa dekade terdahulu. Pada mulanya, TSP dinyatakan sebagai
permasalahan dalam mencari jarak minimal sebuah tour tertutup terhadap
sejumlah n kota dimana kota-kota yang ada hanya dikunjungi sekali
dengan kota awal juga merupakan kota akhir (tujuan). Meskipun TSP
sepertinya mudah dinyatakan, akan tetapi sangat sulit untuk diselesaikan
terutama untuk persoalan dengan jumlah kota yang banyak. Sampai saat
ini belum ada suatu metode eksak yang dapat menjamin keberbhasilan
nilai optimal untuk sebarang masalah dalam Polynomial computation time.
TSP dikarakteristikan kedalam kelas NP-hard (Nondeterministik
Polynomial – hard). Berdasarkan hal tersebut, banyak peneliti lebih
memusatkan kepada pengembangan metode-metode pendekatan
(heuristic) seperti simulated annealing, algoritma semut (Ant Algorithm),
Algoritma Genetika, Tabu search, dan lain sebagainya.
Pada perkembangannya, ternyata TSP merupakan persoalan yang
banyak diaplikasikan pada berbagai persoalan dunia nyata. Hingga saat ini,
TSP diaplikasikan pada persoalan perencanaan pembangunan,

perencanaan produksi, rute pengambilan surat dari kotak pos, rute
pengisian uang pada mesin ATM, rute patroli polisi, rute pesawat terbang
dsb.
Ant Colony Optimization (ACO) diadopsi dari perilaku koloni
semut yang dikenal sebagai system semut (Dorigo, M., dan Gambardella,
L., 1996). Secara alamiah koloni semut mampu menemukan rute
terpendek dalam perjalanan dari sarang ke tempat-tempat sumber
makanan. Koloni semut dapat menemukan rute terpendek antara sarang
dan sumber makanan berdasarkan jejak kaki pada lintasan yang telah
dilalui. Semakin banyak semut yang melalui suatu lintasan, maka akan
semakin jelas bekas jejak kakinya. Hal ini akan menyebabkan lintasan
yang dilalui semut dalam jumlah sedikit, semakin lama akan semakin
berkurang kepadatan semut yang melewatinya, atau bahkan akan tidak
dilewati sama sekali. Sebaliknya, lintasan yang dilalui semut dalam jumlah
banyak, semakin lama akan semakin bertambah kepadatan semut yang
melewatinya, atau bahkan semua semut akan melalui lintasan tersebut.
Pada ACO setiap semut ditempatkan di semua titik graph (dalam hal
ini titik – titik yang dikunjungi) yang kemudian akan bergerak mengunjungi
seluruh titik. Setiap semut akan membuat jalur masing – masing sampai
kembali ketempat semula dimana mereka ditempatkan pertama kali. Jika
sudah mencapai keadaan ini, maka semut telah menyelesaikan sebuah siklus
2
(tour). Solusi akhir adalah jalur terpendek dari seluruh jalur yang dihasilkan
oleh pencarian semut tersebut.
Algoritma ACO telah banyak diaplikasikan dalam berbagai bidang
yang mencakup beberapa persoalan, yaitu :
1. Traveling Salesman Problem (TSP), yaitu mencari rute terpendek dalam
sebuah graph menggunakan rute Hamilton.
2. Quadratic Assignment Problem (QAP), yaitu menugaskan sejumlah n
resources untuk ditempatkan pada sejumlah m lokasi dengan
meminimalisasi biaya penugasan (assignment).
3. Job-shop Scheduling Problem (JSP) juga salah satu contoh aplikasi Ant
Colony Optimization, yaitu untuk mencari lintasan sejumlah n pekerjaan
menggunakan sejumlah m mesin demikian sehingga seluruh pekerjaan
diselesaikan dalam waktu yang seminimal mungkin.
4. Vehicle Routing Problem (VRP)
5. Pengaturan rute kendaraan
6. Pewarnaan graph
7. Implementasi pada jaringan komunikasi
8. Network routing, dll.
Mengingat prinsip algoritma yang didasarkan pada perilaku koloni
semut dalam menemukan jarak perjalanan paling pendek tersebut, ACO
sangat tepat digunakan untuk diterapkan dalam penyelesaian masalah
3
optimasi, salah satunya adalah untuk menentukan jalur terpendek pada
permasalahan TSP.
1.2 Rumusan Masalah
Travelling Salesman Problem termasuk ke dalam masalah NP-
hard, sehingga sangat sulit untuk mencari solusi dari masalah ini dengan
pendekatan eksak. Untuk menyelesaikan TSP digunakan pendekatan
secara heuristic. Salah satu metode heuristic yang dikenal adalah
Algoritma Ant Colony Optimization. Permasalahan dari penulisan Tugas
Akhir ini adalah mengetahui bagaimana performa dari algoritma –
algoritma ACO (Ant system, Elitist Ant System, Rank Based Ant System,
Max-Min Ant System, dan Ant Colony System) untuk menyelesaikan TSP
simetrik dan mengetahui manakah yang terbaik diantara algoritma
tersebut.
1.3 Batasan Masalah
Dalam tugas akhir ini masalah hanya akan dibatasi sebagai berikut :
1. Algoritma ACO yang dibandingkan adalah Ant System, Elitist Ant
System, Rank-Based Ant System, Max-Min Ant System, dan Ant Colony
System.
2. Permasalahan yang dibandingkan dalam semua algoritma adalah
masalah Travelling Salesman Problem (TSP) Simetrik Euclidean dimana
jarak antar 2 kota dan sebaliknya dianggap sama.
4
1.4 Tujuan Penulisan
Tujuan dari penulisan tugas akhir ini adalah untuk :
1. Menerapkan konsep dan cara kerja algoritma Ant Colony Optimization
(ACO) untuk menyelesaikan masalah Travelling Salesman Problem
(TSP).
2. Mengetahui perbandingan Algoritma Ant system, Elitist Ant System,
Rank Based Ant System, Max-Min Ant System, dan Ant Colony System,
dalam menyelesaikan TSP Simetrik.
1.5 Sistematika Penulisan
Sistematika penulisan Tugas Akhir ini terdiri dari BAB I sebagai
pendahuluan yang berisi tentang latar belakang masalah, rumusan masalah,
batasan masalah, tujuan masalah, dan sistematika penulisan. BAB II yaitu
dasar teori yang terdiri dari teori graph, optimisasi, Traveling Salesman
Problem, Ant Colony Optimization, Ant system, Elitist Ant System, Rank-
Based Ant System, Max-Min Ant System, dan Ant Colony System. BAB III
yaitu pembahasan yang terdiri dari Algoritma Ant Colony Optimization, Ant
system, Elitist Ant System, Rank Based Ant System, Max-Min Ant System,
dan Ant Colony System dalam menyelesaikan permasalahan TSP.
Perbandingan Algoritma – algoritma ACO berdasarkan kinerjanya, cara
kerjanya, parameter terbaik, performa hasil pada beberapa kasus, waktu
CPU, jumlah iterasi, dan hasil simulasi algoritma ACO menggunakan
5
ACOTSP version 1.0. BAB IV sebagai penutup yang berisi tentang
kesimpulan dari pembahasan pada bab sebelumnya dan saran.
6
BAB II
DASAR TEORI
2.1 Teori Graph
2.1.1 Definisi Graph
Definisi 2.1 (Wilson, R. J dan Watkhins, J. J, 1990)
Sutatu graph G terdiri atas himpunan yang tidak kosong dari
elemen – elemen yang disebut titik (vertek), dan suatu daftar pasangan
vertek yang tidak terurut disebut sisi (edge). Himpunan vertek dari suatu
graph G dinotasikan dengan V, dan daftar himpunan edge dari graph
tersebut dinotasikan dengan E. Untuk selanjutnya suatu graph G dapat
dinotasikan dengan G = (V, E).
Gambar 2.1 Contoh graph G
Gambar 2.1, menunjukkan graph G dengan V = {A, B, C, D, E, F}
dan E = {e1, e2, e3, ... , e10}.
7
Dua edge atau lebih yang menghubungkan pasangan vertek yang
sama disebut sisi ganda, dan sebuah edge yang mengubungkan sebuah
vertek ke dirinya sendiri disebut loop.
1
2
Sisi ganda
3
4
loop
Gambar 2.2 Sisi ganda dan loop
Misal G suatu graph dengan himpunan vertek V dan himpunan
edge E. Suatu subgraph G’ adalah suatu himpunan pasangan berurutan
(V’, E’) dimana V’ merupakan himpunan bagian dari V dan E’ adalah
himpunan bagian dari E. Dengan kata lain, subgraph dari G adalah suatu
graph yang semua verteknya anggota V dan semua edgenya anggota E.
Jika G suatu graph terhubung seperti pada gambar 2.2, dengan V =
{1, 2, 3, 4} dan E = {(1,3), (1,4), (2,4), (3,3), (3,4), (4,2)}, maka
berikutnya adalah contoh dari subgraph G’ yang ditunjukkan pada gambar
2.3.
8
1 2 1
3
3 3
4 4
(a) (b) (c)
Gambar 2.3 Contoh graph G dan subgraph G’
Pada gambar 2.3 (a) merupakan subgraph G’ dari graph G, dengan
himpunan vertek V’ = {1, 2, 3, 4} yang merupakan himpunan bagian dari
V dan himpunan edge E’ = {(1,3), (1,4), (2,4), (3,3), (3,4), (4,2) yang
merupakan himpunan bagian dari E. Gambar 2.3 (b) juga merupakan
subgraph G’ dari graph G dengan himpunan vertek V’ = {1, 3, 4} dan
himpunan edge E’ = {(1,3), (1,4), (3,4)} yang masing – masing merupakan
himpunan bagian dari V dan E. Gambar 2.3 (c) juga merupakan subgraph
G’ dari graph G dengan himpunan vertek V’ = {3} dan himpunan edge E’
= {(3,3)} yang masing – masing merupakan himpunan bagian dari V dan
E.
2.1.2 Definisi Walk
Definisi 2.4 (Evans, J. R dan Edward, M, 1992)
Suatu walk (jalan) dalam graph G adalah barisan vertek – vertek
dan edge – edge yang dimulai dan diakhiri oleh suatu vertek. Panjang
suatu walk dihitung berdasarkan jumlah edge dalam walk tersebut.
9
Walk juga dapat diartikan sebagai suatu perjalanan (dalam sebuah
graph) dari vertek satu ke vertek lain yang terhubung dengan suatu edge.
2.1.3 Definisi Trail dan Path
Walk yang panjangnya k pada suatu graph G adalah urutan k edge
G yang berbentuk
uv, vw, wx, …, yz.
Walk ini dinotasikan dengan uvwx….yz, dan ditunjuk sebagai
walk antara u dan z. Jika semua edge (tetapi tidak perlu semua vertek)
suatu walk berbeda, maka walk itu disebut trail. Jika semua vertek pada
trail itu berbeda, maka trail itu disebut path.
2.1.4 Definisi Cycle
Walk tertutup dalam graph G merupakan urutan edge G yang
berbentuk uv, vw, wx, …, yz, zu.
Jika semua edgenya berbeda, maka walk itu disebut trail tertutup
(close trail). Kemudian close trail dengan semua vertek berbeda disebut
cycle.
10
v w
u
x
z y
Gambar 2.4 walk uvwxywvzzy
uvwxywvzzy adalah walk yang panjangnya 9 antara u dan y, yang
memuat edge vw dua kali, titik v, w, y, dan z dua kali. Pada gambar 2.4 di
atas, walk vzzywxy merupakan trail, sedang pada walk vwxyz merupakan
path. Kemudian uvwyzvzu merupakan close trail, sedang close trail zz,
vwxyv, dan vwxyzv semuanya adalah cycle.
2.1.5 Graph Eulerian dan Graph Hamiltonian
Graph terhubung G merupakan graph Euler (Eulerian) jika ada
close trail yang memuat setiap edge dari G. Trail semacam ini disebut
trail Euler.
Graph terhubung G merupakan graph Hamilton (Hamiltonian)
jika ada cycle yang memuat setiap vertek dari G. Cycle semacam ini
disebut cycle Hamilton.
11
b c b c b c
a d
g g g
f e f e f e
(i) (ii) (iii)
Gambar 2.5 Graph Hamilton dan graph Euler
Graph (i) merupakan graph Euler dan graph Hamilton,
Graph (i) merupakan graph Euler dan trail Eulernya bcgfeb,
Graph (i) merupakan graph Hamilton dengan cycle Hamiltonnya bcgefb.
2.1.6 Macam – macam Graph Menurut arah dan Bobotnya
Menurut arah dan bobotnya, graph dibagi menjadi empat bagian,
yaitu :
1. Graph berarah dan berbobot : setiap edge mempunyai arah (yang
ditunjukkan dengan anak panah) dan bobot. Gambar 2.6 adalah contoh
graph berarah dan berbobot yang terdiri dari tujuh vertek yaitu vertek
A, B, C, D, E, F, G. Vertek A mempunyai dua edge yang masing –
masing menuju ke vertek B dan vertek C, vertek B mempunyai tiga
edge yang masing – masing menuju ke vertek C, vertek D dan vertek
E. Bobot antara vertek A dan vertek B pun telah di ketahui.
12
2
B E
1 2
2
2
A 1 D G
4 1 2
3
C F
4
Gambar 2.6 Graph berarah dan berbobot
2. Graph tidak berarah dan berbobot : setiap edge tidak mempunyai arah
tetapi mempunyai bobot. Gambar 2.7 adalah contoh graph tidak
berarah dan berbobot. Graph terdiri dari tujuh vertek yaitu vertek A, B,
C, D, E, F, G. Vertek A mempunyai dua edge yang masing – masing
berhubungan dengan vertek B dan vertek C, tetapi dari masing –
masing edge tersebut tidak mempunyai arah. Edge yang
menghubungkan vertek A dan vertek B mempunyai bobot yang telah
diketahui begitu pula dengan edge – edge yang lain.
2
B E
1 2
2
2
A 1 D G
4 1 2
3
C F
4
Gambar 2.7 Graph tidak berarah dan berbobot
13
3. Graph berarah dan tidak berbobot : setiap edge mempunyai arah tetapi
tidak mempunyai bobot. Gambar 2.8 adalah contoh graph berarah dan
tidak berbobot.
B E
A D G
C F
Gambar 2.8 Graph berarah dan tidak berbobot
4. Graph tidak berarah dan tidak berbobot : setiap edge tidak mempunyai
arah dan tidak terbobot. Gambar 2.9 adalah contoh graph tidak berarah
dan tidak berbobot.
B E
A D G
C F
Gambar 2.9 Graph tidak berarah dan tidak berbobot
2.2 Optimisasi
2.2.1 Definisi Masalah Optimisasi
Optimisasi adalah suatu proses untuk mencapai hasil yang optimal
(nilai efektif yang dapat dicapai). Dalam disiplin matematika optimisasi
14
merujuk pada studi permasalahan yang mencoba untuk mencari nilai
minimal atau maksimal dari suatu fungsi riil. Untuk dapat mencapai nilai
optimal baik minimal atau maksimal tersebut, secara sistematis dilakukan
pemilihan nilai variabel integer atau riil yang akan memberikan solusi
optimal (Wardy, I.S, Jurnal Prodi TI ITB, 2007).
2.2.2 Definisi Nilai Optimal
Nilai optimal adalah nilai yang didapat melalui suatu proses dan
dianggap menjadi solusi jawaban yang paling baik dari semua solusi yang
ada (Wardy, I.S, Jurnal Prodi TI ITB, 2007).
2.2.3 Macam – macam Permasalahan Optimisasi
Permasalahan yang berkaitan dengan optimisasi sangat kompleks
dalam kehidupan sehari-hari. Nilai optimal yang didapat dalam optimisasi
dapat berupa besaran panjang, waktu, jarak, dan lain-lain. Berikut ini
adalah termasuk beberapa persoalan optimisasi :
1. Menentukan lintasan terpendek dari suatu tempat ke tempat yang lain.
2. Menentukan jumlah pekerja seminimal mungkin untuk melakukan
suatu proses produksi agar pengeluaran biaya pekerja dapat
diminimalkan dan hasil produksi tetap maksimal.
3. Mengatur rute kendaraan umum agar semua lokasi dapat dijangkau.
4. Mengatur routing jaringan kabel telepon agar biaya pemasangan kabel
tidak terlalu besar dan penggunaannya tidak boros.
15
Selain beberapa contoh di atas, masih banyak persoalan lainnya
yang terdapat dalam berbagai bidang.
2.2.4 Permasalahan Rute Terpendek
Masalah rute terpendek merupakan masalah yang berkaitan dengan
penentuan edge-edge dalam sebuah jaringan yang membentuk rute
terdekat antara sumber dan tujuan. Tujuan dari permasalahan rute
terpendek adalah mencari rute yang memiliki jarak terdekat antara titik
asal dan titik tujuan. Gambar 2.10 merupakan suatu graph ABCDEFG
yang berarah dan tidak berbobot.
B E
A D G
C F
Gambar 2.10. Graph ABCDEFG
Gambar 2.10 diatas, misalkan kita dari kota A ingin menuju Kota
G. Untuk menuju kota G, dapat dipilih beberapa rute yang tersedia :
A→B→C →D→E →G
A→B→C → D→F →G
A→B→C →D→G
A→B→C →F →G
16
A→B→D→E →G
A→B→D→F →G
A→B→D→G
A→B→E →G
A→C → D→E →G
A→C →D→ F →G
A→C →D→G
A→C →F →G
Berdasarkan data diatas, dapat dihitung rute terpendek dengan
mencari jarak antara rute-rute tersebut. Apabila jarak antar rute belum
diketahui, jarak dapat dihitung berdasarkan koordinat kota-kota tersebut,
kemudian menghitung jarak terpendek yang dapat dilalui.
2.2.5 Penyelesaian Masalah Optimisasi
Secara umum, penyelesaian masalah pencarian rute terpendek
dapat dilakukan dengan menggunakan dua metode, yaitu metode
konvensional dan metode heuristik. Metode konvensional dihitung dengan
perhitungan matematis biasa, sedangkan metode heuristik dihitung dengan
menggunakan system pendekatan.
1. Metode Konvensional
Metode konvensional adalah metode yang menggunakan perhitungan
matematika eksak. Ada beberapa metode konvensional yang biasa
digunakan untuk melakukan pencarian rute terpendek, diantaranya:
17
algoritma Djikstra, algoritma Floyd-Warshall, dan algoritma Bellman-
Ford (Mutakhiroh, I., Saptono, F., Hasanah, N., dan Wiryadinata, R.,
2007).
2. Metode Heuristik
Metode Heuristik adalah suatu metode yang menggunakan system
pendekatan dalam melakukan pencarian dalam optimasi. Ada
beberapa algoritma pada metode heuristik yang biasa digunakan dalam
permasalahan optimasi, diantaranya Algoritma Genetika, Ant Colony
Optimization, logika Fuzzy, jaringan syaraf tiruan, Tabu Search,
Simulated Annealing, dan lain-lain (Mutakhiroh, I., Saptono, F.,
Hasanah, N., dan Wiryadinata, R., 2007).
2.3 Traveling Salesman Problem (TSP)
Masalah Travelling Salesman Problem (TSP) adalah salah satu
contoh yang paling banyak dipelajari dalam combinatorial optimization.
Masalah ini mudah untuk dinyatakan tetapi sangat sulit untuk diselesaikan.
TSP termasuk kelas NP-Hard problem dan tidak dapat diselesaikan secara
optimal dalam Polynomial computation time dengan algoritma eksak. Bila
diselesaikan secara eksak waktu komputasi yang diperlukan akan
meningkat secara eksponensial seiring bertambah besarnya masalah.
TSP dapat dinyatakan sebagai permasalahan dalam mencari jarak
minimal sebuah tour tertutup terhadap sejumlah n kota dimana kota-kota
yang ada hanya dikunjungi sekali. TSP direpresentasikan dengan
18
menggunakan sebuah graph lengkap dan berbobot G = (V, E) dengan V
himpunan vertek yang merepresentasikan himpunan titik - titik, dan E
adalah himpunan dari edge. Setiap edge (r,s) ∈ E adalah nilai (jarak) d rs
yang merupakan jarak dari kota r ke kota s, dengan (r,s) ∈ V. Dalam TSP
simetrik (jarak dari kota r ke titik s sama dengan jarak dari titik s ke titik
r), d rs = d sr untuk semua edge (r,s) ∈ E. Misalkan terdapat n buah titik
⎛ n! ⎞
maka graph tersebut memiliki ⎜⎜ ⎟⎟ buah edge, sesuai dengan
⎝ ((n − 2 )!2!) ⎠
rumus kombinasi, dan juga memiliki

(n − 1)! buah tour yang mungkin.
2
Dalam sebuah graph, TSP digambarkan seperti gambar 2.11
dibawah ini :
kota
5
A B
2
3
3 E edge
4
6 5 2
D C
2
Gambar 2.11 Ilustrasi masalah TSP
Berikut adalah contoh kasus TSP: “Diberikan sejumlah kota dan
jarak antar kota. Tentukan sirkuit terpendek yang harus dilalui oleh
seorang pedagang bila pedagang itu berangkat dari sebuah kota asal dan
menyinggahi setiap kota tepat satu kali dan kembali lagi ke kota asal
keberangkatan.”
19
Apabila kita mengubah contoh kasus tersebut menjadi persoalan
pada graph, maka dapat dilihat bahwa kasus tersebut adalah bagaimana
menentukan sirkuit Hamilton yang memiliki bobot minimum pada graph
tersebut.
Seperti di ketahui, bahwa untuk mencari jumlah sirkuit Hamilton di
dalam graph lengkap dengan n vertek adalah : (n - 1)!/2.
12
A B
5
10
8
D C
15
Gambar 2.12 Graph ABCD
Pada gambar 2.12 diatas, graph memiliki

(4 − 1)! = 3 sirkuit
2
Hamilton, yaitu:
L1 = (A,B,C,D,A) atau (A,B,C,D,A) => panjang = 10 + 12 + 8 + 15 = 45
L2 = (A,C,D,B,A) atau (A,B,D,C,A) => panjang = 12 + 5 + 9 + 15 = 41
L3 = (A,C,B,D,A) atau (A,D,B,C,A) => panjang = 10 + 5 + 9 + 8 = 32
12 12
A B A B A 5 B
9
5 9 10
10 8 8
D C D C D C
15 15
L1 L3
L2
Gambar 2.13 Sirkuit hamilton
20
Pada gambar 2.13 diatas terlihat jelas bahwa sirkuit Hamilton
terpendek adalah L3 = (A, C, B, D, A) atau (A, D, B, C, A) dengan panjang
sirkuit = 10 + 5 + 9 + 8 = 32. Jika jumlah vertek n = 20 akan terdapat
(19!)/2 sirkuit Hamilton atau sekitar 6 × 1016 penyelesaian.
Dalam kehidupan sehari-hari, kasus TSP ini dapat diaplikasikan
untuk menyelesaikan kasus lain, diantaranya yaitu :
1. Tukang Pos mengambil surat di kotak pos yang tersebar pada n buah
lokasi di berbagai sudut kota.
2. Lengan robot mengencangkan n buah mur pada beberapa buah
peralatan mesin dalam sebuah jalur perakitan.
3. Mobil pengangkut sampah mengambil sampah pada tempat – tampat
pembuangan sampah yang berada pada n buah lokasi diberbagai sudut
kota.
4. Petugas Bank melakukan pengisian uang pada sejumlah mesin ATM di
n buah lokasi.
5. Dan lain sebagainya.
2.4 Ant Colony Optimization (ACO)
Ant Colony Optimization (ACO) diadopsi dari perilaku koloni
semut yang dikenal sebagai sistem semut (Dorigo, et.al, 1996). Semut
mampu mengindera lingkungannya yang kompleks untuk mencari
makanan dan kemudian kembali ke sarangnya dengan meninggalkan zat
Pheromone pada rute-rute yang mereka lalui.
21
Pheromone adalah zat kimia yang berasal dari kelenjar endokrin
dan digunakan oleh makhluk hidup untuk mengenali sesama jenis,
individu lain, kelompok, dan untuk membantu proses reproduksi. Berbeda
dengan hormon, Pheromone menyebar ke luar tubuh dan hanya dapat
mempengaruhi dan dikenali oleh individu lain yang sejenis (satu spesies).
Proses peninggalan Pheromone ini dikenal sebagai stigmery, yaitu
sebuah proses memodifikasi lingkungan yang tidak hanya bertujuan untuk
mengingat jalan pulang ke sarang, tetapi juga memungkinkan para semut
berkomunikasi dengan koloninya.
Seiring waktu, bagaimanapun juga jejak Pheromone akan menguap
dan akan mengurangi kekuatan daya tariknya. Lebih cepat setiap semut
pulang pergi melalui rute tersebut, maka Pheromone yang menguap lebih
sedikit. Begitu pula sebaliknya jika semut lebih lama pulang pergi melalui
rute tersebut, maka Pheromone yang menguap lebih banyak.
2.4.1 Cara kerja semut menemukan rute terpendek dalam ACO
Secara jelasnya cara kerja semut menemukan rute terpendek dalam
ACO adalah sebagai berikut : Secara alamiah semut mampu menemukan
rute terpendek dalam perjalanan dari sarang ke tempat-tempat sumber
makanan. Koloni semut dapat menemukan rute terpendek antara sarang
dan sumber makanan berdasarkan jejak kaki pada lintasan yang telah
dilalui. Semakin banyak semut yang melalui suatu lintasan, maka akan
semakin jelas bekas jejak kakinya. Hal ini akan menyebabkan lintasan
22
yang dilalui semut dalam jumlah sedikit, semakin lama akan semakin
berkurang kepadatan semut yang melewatinya, atau bahkan akan tidak
dilewati sama sekali. Sebaliknya lintasan yang dilalui semut dalam jumlah
banyak, semakin lama akan semakin bertambah kepadatan semut yang
melewatinya, atau bahkan semua semut akan melalui lintasan tersebut
(Dorigo, M., Maniezzo, V., dan Colorni, A., 1991a).
Gambar 2.14. Perjalanan semut dari sarang ke sumber makanan.
Gambar 2.14.a di atas menunjukkan ada dua kelompok semut yang
akan melakukan perjalanan. Satu kelompok bernama L yaitu kelompok
yang berangkat dari arah kiri yang merupakan sarang semut dan kelompok
lain yang bernama kelompok R yang berangkat dari kanan yang
merupakan sumber makanan. Kedua kelompok semut dari titik awal
keberangkatan sedang dalam posisi pengambilan keputusan jalan sebelah
mana yang akan diambil. Kelompok semut L membagi dua kelompok lagi.
Sebagian melalui jalan atas dan sebagian melalui jalan bawah. Hal ini juga
23
berlaku pada kelompok semut R. Gambar 2.14.b dan gambar 2.14.c
menunjukkan bahwa kelompok semut berjalan pada kecepatan yang sama
dengan meninggalkan Pheromone (jejak kaki semut) di jalan yang telah
dilalui. Pheromone yang ditinggalkan oleh semut - semut yang melalui
jalan atas telah mengalami banyak penguapan karena semut yang melalui
jalan atas berjumlah lebih sedikit dari pada jalan yang di bawah. Hal ini
dikarenakan jarak yang ditempuh lebih panjang daripada jalan bawah.
Sedangkan Pheromone yang berada di jalan bawah, penguapannya
cenderung lebih lama. Karena semut yang melalui jalan bawah lebih
banyak daripada semut yang melalui jalan atas. Gambar 2.14.d
menunjukkan bahwa semut-semut yang lain pada akhirnya memutuskan
untuk melewati jalan bawah karena Pheromone yang ditinggalkan masih
banyak. Sedangkan Pheromone pada jalan atas sudah banyak menguap
sehingga semut-semut tidak memilih jalan atas tersebut. Semakin banyak
semut yang melalui jalan bawah maka semakin banyak semut yang
mengikutinya.
Demikian juga dengan jalan atas, semakin sedikit semut yang
melalui jalan atas, maka Pheromone yang ditinggalkan semakin berkurang
bahkan hilang. Dari sinilah kemudian terpilihlah rute terpendek antara
sarang dan sumber makanan.
24
2.5 Ant System (AS)
Algoritma Ant System (AS) adalah algoritma ACO pertama yang
dirumuskan dan diuji untuk menyelesaikan kasus TSP (Dorigo, M.,
Maniezzo, V., dan Colorni, A., 1996). Algoritma ini tersusun atas
sejumlah m semut yang bekerjasama dan berkomunikasi secara tidak
langsung melalui komunikasi Pheromone.
Secara informal, AS bekerja sebagai berikut : Setiap semut
memulai tournya melalui sebuah titik yang dipilih secara acak (setiap
semut memiliki titik awal yang berbeda). Secara berulang kali, satu-
persatu titik yang ada dikunjungi oleh semut dengan tujuan untuk
menghasilkan sebuah tour. Pemilihan titik-titik yang akan dilaluinya
didasarkan pada suatu fungsi probabilitas, dinamai aturan transisi status
(state transition rule), dengan mempertimbangkan visibility (invers dari
jarak) titik tersebut dan jumlah Pheromone yang terdapat pada ruas yang
menghubungkan titik tersebut. Semut lebih suka untuk bergerak menuju ke
titik-titik yang dihubungkan dengan ruas yang pendek dan memiliki
tingkat Pheromone yang tinggi (Dorigo, M., dan Gambardella, L. M.,
1997). Setiap semut memiliki sebuah memori, dinamai tabulist, yang
berisi semua titik yang telah dikunjunginya pada setiap tour. Tabulist ini
mencegah semut untuk mengunjungi titik-titik yang sebelumnya telah
dikunjungi selama tour tersebut berlangsung, yang membuat solusinya
mendekati optimal.
25
Setelah semua semut menyelesaikan tour mereka dan tabulist
mereka menjadi penuh, sebuah aturan pembaruan Pheromone global
(global Pheromone updating rule) diterapkan pada setiap semut.
Penguapan Pheromone pada semua ruas dilakukan, kemudian setiap semut
menghitung panjang tour yang telah mereka lakukan lalu meninggalkan
sejumlah Pheromone pada edge-edge yang merupakan bagian dari tour
mereka yang sebanding dengan kualitas dari solusi yang mereka hasilkan.
Semakin pendek sebuah tour yang dihasilkan oleh setiap semut, jumlah
Pheromone yang ditinggalkan pada edge-edge yang dilaluinya pun
semakin besar. Dengan kata lain, edge-edge yang merupakan bagian dari
tour-tour terpendek adalah edge-edge yang menerima jumlah Pheromone
yang lebih besar. Hal ini menyebabkan edge-edge yang diberi Pheromone
lebih banyak akan lebih diminati pada tour-tour selanjutnya, dan
sebaliknya edge-edge yang tidak diberi Pheromone menjadi kurang
diminati. Dan juga, rute terpendek yang ditemukan oleh semut disimpan
dan semua tabu list yang ada dikosongkan kembali.
Peranan utama dari penguapan Pheromone adalah untuk mencegah
stagnasi, yaitu situasi dimana semua semut berakhir dengan melakukan
tour yang sama. Proses di atas kemudian diulangi sampai tour-tour yang
dilakukan mencapai jumlah maksimum atau sistem ini menghasilkan
perilaku stagnasi dimana sistem ini berhenti untuk mencari solusi
alternatif.
26
2.5.1 Aturan Transisi Status
Aturan transisi status yang digunakan oleh AS dinamai random-
proportional rule (Dorigo, M., Maniezzo, V., dan Colorni, A., 1996), yang
ditunjukkan oleh persamaan (2.1). Prsk merupakan probabilitas dari semut k
pada titik r yang memilih untuk menuju ke titik s.
⎧ [τ rs ]α .[η rs ]β untuk s ∈ J rk
⎪⎪
Prsk = ⎨ ∑k [τ ru ] .[η ru ]
α β
..………..……………...……(2.1)
u∈J r
⎪ untuk s lainnya
⎪⎩0
Dimana τ rs adalah jumlah Pheromone yang terdapat pada edge
1
antara titik r dan titik s, (η rs ) = adalah visibility (invers dari jarak d rs )
d rs
dimana d rs = (xr − xs )2 + ( yr − ys )2 (jika hanya diketahui koordinat
titiknya saja). α adalah sebuah parameter yang mengontrol bobot (weight)
relatif dari Pheromone dan β adalah parameter pengendali jarak (
α > 0 dan β > 0 ).
J rk adalah himpunan titik yang akan dikunjungi oleh semut k yang
sedang berada pada titik r (untuk membuat solusinya mendekati optimal),
dan pada persamaan (2.1) kita mengalikan Pheromone pada edge (r,s)
dengan nilai visibility yang sesuai (η rs ). Dengan cara ini kita memilih edge
yang lebih pendek dan memiliki jumlah Pheromone yang lebih besar.
27
2.5.2 Update Pheromone Trail
Setelah semua semut menyelesaikan tour-nya masing – masing
maka Pheromone di-update. Dalam Ant System, aturan pembaruan
Pheromone global (Dorigo, M., Maniezzo, V., dan Colorni, A., 1996)
diimplementasikan menurut persamaan 2.2 sebagai berikut :
m
τ rs ← (1 − ρ ).τ rs + ∑ ∆τ rsk ………………………..…….….(2.2)
k =1
⎧1
⎪ jika (r, s) ∈tour yang dilakukan oleh semut k
dengan ∆τ = ⎨C k
k
rs ..….(2.3)
⎪⎩0 sebaliknya
Dimana Ck, panjang tour yang dilalui oleh semut k. 0 < ρ ≤ 1
adalah sebuah parameter tingkat evaporasi Pheromone, dan m adalah
jumlah dari semut.
Untuk memastikan bahwa semut mengunjungi n titik yang
berbeda, diberikan tabu list pada masing – masing semut, yaitu sebuah
struktur data yang menyimpan titik – titik yang telah dikunjungi semut dan
melarang semut mengunjungi kembali titik – titik tersebut sebelum mereka
menyelesaikan sebuah tour. Ketika sebuah tour selesai, tabulist digunakan
untuk menghitung solusi yang ditemukan semut pada tour tersebut.
Tabulist kemudian dikosongkan dan semut kembali bebas memilih titik
tujuannya pada tour berikutnya. Tabuk adalah tabu list untuk semut k.
Tabuk (r) adalah elemen ke-r dari Tabuk, yaitu titik ke-r yang dikunjungi
semut k pada suatu tour.
28
2.6 Elitist Ant System (EAS)
Pengembangan pertama dari AS adalah elitist strategy for Ant
System (EAS), seperti yang dikemukakan Dorigo, M., Maniezzo, V., dan
Colorni, A. (1991a), (1991b), dan (1996). Ide ini berawal ketika adanya
penguatan Pheromone pada edge – edge yang merupakan tour terbaik
yang ditemukan sejak awal algoritma. Tour terbaik ini dinotasikan sebagai
Tbs (best-so-far tour).
Penambahan intensitas Pheromone dari tour Tbs adalah dengan
e
memberi penambahan quantity untuk setiap edge, dimana e
C bs
parameter yang diberikan untuk mendefinisikan nilai tour terbaik (Tbs) dan
Cbs adalah panjang tour terbaik. Perubahan Pheromone didefinisikan
sebagai berikut :
m
τ rs ← (1 − ρ ).τ rs + ∑ ∆τ rsk + e∆τ rsbs ………………... (2.4)
k =1
Dimana ∆τ rsk didefinisikan pada pers. (2.3) dan ∆τ rsbs didefinisikan
sebagai berikut :
⎧ 1
⎪⎪ C bs , jika edge(r , s ) terdapat pada T
bs
∆τ rsbs =⎨ ……………. (2.5)

⎪0, yang lainnya
⎪⎩
Sebagai catatan untuk EAS, bagian dari algoritma yang lain sama
seperti pada AS, yang dibahas pada bagian sebelumnya.
29
2.7 Rank-Based Ant System (ASRank)
Rank-based version of Ant System (ASRank) ((Bullnheimer, B.,
Hartl, R. F., dan Strauss, C., 1997) dan (1999)) merupakan pengembangan
dari AS dan menerapkan elitist strategy. Pada setiap iterasi, metode ini
lebih dahulu mengurutkan semut berdasarkan tingkat fluktuasi solusi
(panjang/pendeknya tour) yang telah mereka temukan sebelumnya.
Saat melakukan update Pheromone hanya (w-1) semut terbaik dan
semut yang memiliki solusi best-so-far yang diperbolehkan meninggalkan
Pheromone. Semut yang ke-z terbaik memberikan kontribusi Pheromone
sebesar max{0, w-z} sementara jalur best-so-far tour memberikan
kontribusi Pheromone paling besar yaitu sebanyak w, dimana w adalah
parameter yang menyatakan adanya tour terbaik dan z adalah peringkat
semut. Dalam ASrank aturan Pheromone update-nya diberikan sebagai
berikut :
w−1
τ rs = (1 − ρ )τ rs + ∑ (w − z )∆τ rsz + w∆τ rsbs , ………………………... (2.6)
z =1
1 1
Dimana ∆τ rs = z
dan ∆τ rsbs = bs . Cz adalah panjang tour yang dilewati
C C
semut ke-z, Cbs adalah panjang tour terbaik. Hasil dari evaluasi
eksperimen oleh Bullnheimer, B., Hartl, R. F., dan Strauss, C., (1999).
menunjukkan ASrank mempunyai hasil yang lebih baik daripada EAS dan
lebih signifikan daripada AS.
30
2.8 MAX – MIN Ant System (MMAS)
MAX-MIN Ant System (MMAS) merupakan pengembangan dari
algoritma AS selanjutnya, dengan beberapa perubahan utama. Berikut
empat perubahan utama didalam MMAS (Stu¨ tzle, T., dan Hoos, H. H.,
1997) terhadap AS :
• Pertama, penambahan Pheromone bisa dilakukan pada edge – edge
yang merupakan bagian dari tour terbaik yang ditemukan sejak awal
algoritma (best so-far-tour) atau pada tour terbaik yang ditemukan
pada iterasi tersebut (iteration best-tour). Bisa juga penambahan
Pheromone pada keduanya, best so-far-tour dan iteration best-tour
sekaligus. Tetapi, strategi ini memungkinkan terjadinya stagnasi yang
menyebabkan semua semut melalui jalur yang sama, karena pemberian
Pheromone yang berlebihan pada edge, meskipun bagian dari tour
yang terbaik.
• Kedua, untuk mengatasi masalah pada perubahan pertama, maka
MMAS memberikan batasan dalam pemberian nilai Pheromone dengan
interval [τ min ,τ max ] .
• Ketiga, menginisialisasi Pheromone dengan batas atas nilai
Pheromone, yang mana bersama dengan tingkat evaporasi Pheromone
yang kecil, meningkatkan eksplorasi tour sejak dimulainya pencarian.
• Keempat, Pheromone di inisialisasi kembali pada saat terjadi stagnasi
atau ketika tidak ditemukan tour yang sesuai dengan iterasi yang
diinginkan.
31
2.8.1 Update Pheromone
Setelah semua semut membangun tournya, Pheromone di-update
menurut persamaan sebagai berikut :
τ rs ← (1 − ρ ).τ rs + ∆τ rsbest ………………………………...(2.7)
⎧ 1 best , jjika semut menemukan best so - far - tour

⎪ C
dimana ∆τ best
rs =⎨
⎪ 1 ib , jika semut menemukan iteration best - tour
⎩ C
Dengan Cbest merupakan panjang tour terbaik dan Cib adalah
panjang iterasi terbaik sebuah tour. Pada umumnya, MMAS
mengimplementasikan keduanya baik iterasi terbaik maupun panjang tour
terbaiknya.
2.9 Ant Colony System (ACS)
Algoritma Ant Colony System (ACS) merupakan pengembangan
dari AS selanjutnya, setelah beberapa algoritma diatas. Algoritma ini
tersusun atas sejumlah m semut yang bekerjasama dan berkomunikasi
secara tidak langsung melalui komunikasi Pheromone.
Secara informal, ACS bekerja sebagai berikut: pertama kali,
sejumlah m semut ditempatkan pada sejumlah n titik berdasarkan beberapa
aturan inisialisasi (misalnya, secara acak). Setiap semut membuat sebuah
tour (yaitu, sebuah solusi TSP yang mungkin) dengan menerapkan sebuah
aturan transisi status secara berulang kali. Selagi membangun tournya,
setiap semut juga memodifikasi jumlah Pheromone pada edge-edge yang
32
dikunjunginya dengan menerapkan aturan pembaruan Pheromone lokal
yang telah disebutkan tadi. Setelah semua semut mengakhiri tour mereka,
jumlah Pheromone yang ada pada edge-edge dimodifikasi kembali
(dengan menerapkan aturan pembaruan Pheromone global). Seperti yang
terjadi pada Ant system, dalam membuat tour, semut ‘dipandu’ oleh
informasi heuristic (mereka lebih memilih edge-edge yang pendek) dan
oleh informasi Pheromone. Sebuah edge dengan jumlah Pheromone yang
tinggi merupakan pilihan yang sangat diinginkan. Kedua aturan
pembaruan Pheromone itu dirancang agar semut cenderung untuk
memberi lebih banyak Pheromone pada edge-edge yang harus mereka
lewati. Berikutnya akan dibahas mengenai tiga karakteristik utama dari
ACS, yaitu aturan transisi status, aturan pembaharuan Pheromone global,
dan aturan pembaharuan Pheromone lokal.
2.9.1 Aturan Transisi Status
Aturan transisi status yang berlaku pada ACS (Dorigo, M., dan
Gambardella, L., 1996) ditunjukkan pada persamaan 2.8. Semut k yang
berada di titik r, akan memilih titik berikutnya s, menurut persamaan
berikut :
{
⎧arg max τ ru [η ru ]β
⎪ } jika q ≤ q0 (ekploitasi )
s = ⎨ u∈J rk …............….(2.8)
⎪⎩ J , jika tidak (eksplorasi )
Dimana q adalah bilangan random dalam [0,1], q 0 (0 ≤ q 0 ≤ 1) adalah
sebuah parameter pembanding bilangan random, dan J = Prsk probabilitas
33
dari semut k pada titik r yang memilih untuk menuju ke titik s (persamaan
2.1).
Dengan kata lain, Jika q ≤ q0 maka semut tersebut akan
memanfaatkan pengetahuan heuristik tentang jarak antara titik tersebut
dengan titik-titik lainnya dan juga pengetahuan yang telah didapat dan
disimpan dalam bentuk Pheromone. Hal ini mengakibatkan edge terbaik
(berdasarkan persamaan (2.8)) dipilih. Jika sebaliknya maka sebuah edge
dipilih berdasarkan persamaan (2.1).
2.9.2 Global Pheromone Update
Setelah semua semut menyelesaikan sebuah tour, tingkat
Pheromone di-update dengan mengaplikasikan global updating rule
(Dorigo, M., dan Gambardella, L., 1996) menurut persamaan berikut :
τ rs ← (1 − ρ ).τ rs + ρ .∆τ rsbs ………..………………………..(2.9)
⎧ 1 jika (r , s ) ∈ lintasan terbaik keseluruhan

⎪ ............(2.10)
dengan ∆τ bs
rs = ⎨ C bs
⎪⎩0 jika tidak
Dimana ρ adalah parameter evaporasi global, yang mempunyai nilai
1
0 < ρ < 1 . ∆τ rsbs adalah , jika (i,j)
(panjang lintasan terbaik keseluruhan )
merupakan bagian panjang lintasan terbaik keseluruhan (Cbs), dan 0 jika
tidak.
Persamaan update jejak Pheromone secara offline ini, dilakukan
pada akhir sebuah iterasi algoritma, saat semua semut telah menyelesaikan
34
sebuah tour. Persamaan diaplikasikan ke edge yang digunakan semut
menemukan lintasan keseluruhan yang terbaik sejak awal percobaan.
Tujuan pemberian nilai ini adalah memberi sejumlah jejak Pheromone
pada lintasan terpendek, dimana tour terbaik (lintasan dengan panjang
terpendek) mendapat penguatan. Bersama dengan pseudo-random-
proportional rule dimaksudkan untuk membuat pencarian lebih terarah.
2.9.3 Local Pheromone Update
Ketika membangun solusi (tour) dari TSP, semut mengaplikasikan
local updating rule (Dorigo, M., dan Gambardella, L., 1996) menurut
persamaan berikut :
τ rs ← (1 − ξ ).τ rs + ξ .τ 0 .………..…………..….(2.11)
ξ adalah parameter evaporasi lokal 0 < ξ < 1. τ 0 adalah nilai awal
1
jejak Pheromone, τ 0 = dimana n adalah jumlah titik dan Cnn adalah
nC nn
panjang sebuah tour terbaik yang diperoleh dari metode nearest
neighbourhood heuristic [Rosenkrantz, D.J, Stearns, R.E, dan Lewis,
P.M. (1977)].
Persamaan update Pheromone online ini diaplikasikan saat semut
membangun tour TSP, yaitu ketika melewati edge dan mengubah tingkat
Pheromone pada edge (r,s). Tujuannya untuk membantu melewati sebuah
edge, edge ini menjadi kurang diinginkan (karena berkurangnya jejak
Pheromone pada edge yang bersesuaian).
35
BAB III
PEMBAHASAN
3.1 Ant Colony Optimization (ACO) untuk Traveling Salesman Problem
(TSP)
ACO diaplikasikan dalam TSP dengan cara sebagai berikut :
• Pertama adalah dengan mengkonstruksikan masalah ke dalam sebuah
graph G = (V, E) dengan V himpunan vertek yang merepresentasikan
himpunan titik – titik, dan E adalah himpunan dari edge yang
merepresentasikan jarak antara dua titik.
• Kedua, kendala yang terdapat pada TSP yaitu mengunjungi n titik
dengan titik-titik yang ada hanya dikunjungi sekali dimana titik awal
sama dengan titik akhir. Tujuan dari TSP yaitu mencari tour terpendek
terhadap n titik.
• Ketiga, pemberian nilai intensitas jejak semut (Pheromone) dan
informasi heuristik. Pemberian nilai Pheromone( τ rs ) dalam TSP
dilakukan saat semut mengunjungi titik s setelah mengunjungi titik r.
Informasi heuristik (η rs ) merupakan informasi yang merepresentasikan
kualitas suatu edge antara titik r dan titik s, informasi ini dihitung
1
sebelum algoritma dijalankan. Dengan η rs = , d rs adalah jarak
d rs
antara titik r dan titik s.
36
• Keempat, (tour construction). Sebuah tour dibangun dengan
mengaplikasikan prosedur sederhana sebagai berikut : Inisialisasi,
ditempatkan m semut di n titik menurut aturan tertentu, kemudian
semut mengaplikasikan state transition rule secara iteratif. Semut
membangun lintasan sebagai berikut. Pada titik r, semut memilih
secara probabilistik titik s yang belum dikunjungi menurut intensitas
Pheromone ( τ rs ) pada egde antara titik r ke titik s, serta informasi
heuristik lokal yang ada, yaitu panjang sisi (egde). Semut secara
probabilistik lebih menyukai titik yang dekat dan terhubung dengan
tingkat Pheromone yang tinggi. Untuk membangun jalur terpendek
yang mungkin, setiap semut mempunyai suatu bentuk memori yang
disebut tabu list. Tabu list digunakan untuk menentukan himpunan
titik yang masih harus dikunjungi pada setiap langkah dan untuk
menjamin terbentuknya jalur terpendek yang mungkin. Selain itu
semut bisa melacak kembali lintasannya, ketika sebuah lintasan itu
diselesaikan. Setelah semua semut membangun sebuah tour,
Pheromone di-update dengan cara mengurangi tingkat Pheromone
oleh suatu faktor konstanta dan kemudian semut meletakkan
Pheromone pada edge yang dilewati. Update dilakukan sedemikian
rupa sehingga edge dari lintasan yang lebih pendek dan dilewati
banyak semut menerima jumlah Pheromone yang lebih banyak.
Karena itu pada iterasi algoritma yang berikutnya akan mempunyai
probabilitas yang lebih tinggi untuk dipilih.
37
Secara umum algoritma ACO untuk TSP mengikuti skema
algoritma (Dorigo, M. dan Socha, K., 2007) sebagai berikut :
procedure ACO Algorithm for TSPs
Penetapan parameters, initialize Pheromone trails
while (termination condition not met) do
ConstructAntSolutions
ApplyLocalSearch (optional)
UpdatePheromones
Endwhile
End procedure ACO Algorithm for TSPs
3.2 Ant System (AS) untuk Traveling Salesman Problem (TSP)
3.2.1 Langkah – langkah dalam menyelesaikan AS untuk TSP
Dalam menyelesaikan Ant System untuk TSP maka dilakukan
langkah – langkah sebagai berikut :
a) Penetapan Parameter dan Nilai Pheromone Awal
• Inisialisasi harga parameter – parameter algoritma.
1) Intensitas jejak semut antar titik dan perubahannya ( τ rs ). Nilai (
τ rs ) akan selalu diperbaharui pada setiap iterasi algoritma, mulai
dari iterasi pertama sampai iterasi maksimum yang ditentukan
atau telah mencapai hasil yang optimal.
2) Banyaknya titik (n) dan juga koordinat (x,y) atau jarak antar titik
(d rs ) , dalam TSP simetrik nilai d rs = d sr .
38
3) Titik berangkat (awal) dan titik tujuan, dalam kasus TSP titik
awal dan titik tujuan adalah sama.
4) Tetapan iterasi semut (Q).
5) Tetapan pengendali intensitas jejak semut (α ) . Nilai (α ) > 0 .
6) Tetapan pengendali visibilitas (β ) . Nilai (β ) > 0 .
⎛ 1 ⎞
7) Visibilitas antar titik ⎜⎜η rs = ⎟⎟ .
⎝ d rs ⎠
8) Banyaknya semut (m).
9) Tetapan penguapan Pheromone (ρ ) . Nilainya 0 < ρ ≤ 1 , hal ini
untuk mencegah jumlah Pheromone yang tak terhingga.
10) Jumlah iterasi maksimum (NCmax), bersifat tetap selama
algoritma berjalan.
• Inisialisasi titik pertama setiap semut.
Setelah inisialisasi (τ rs ) dilakukan, kemudian m semut
ditempatkan pada titik pertama tertentu secara acak pada sejumlah n
titik. Hasil inisialisasi titik pertama setiap semut, diisikan sebagai
elemen pertama tabu list. Hasil dari langkah ini adalah terisinya
elemen pertama tabu list setiap semut dengan indeks titik tertentu,
yang berarti bahwa setiap tabu k (i ) bisa berisi indeks titik antara 1
sampai n.
39
b) Pemilihan Titik Berikutnya
Setelah setiap semut menempati masing – masing titik yang
ditentukan, maka semut akan mulai melakukan perjalanan dari titik
pertama masing-masing sebagai titik asal dan menuju salah satu titik -
titik lainnya sebagai tujuan. Kemudian dari titik kedua masing-masing,
semut akan melanjutkan perjalanan dengan memilih salah satu dari titik
– titik yang tidak terdapat pada tabuk sebagai titik tujuan selanjutnya.
Perjalanan semut berlangsung terus menerus sampai semua titik
dikunjungi satu persatu atau telah menempati tabuk. Jika s menyatakan
indeks urutan kunjungan, titik asal dinyatakan sebagai tabu k (s ) dan
titik-titik lainnya dinyatakan sebagai {N- tabu k }, maka untuk
menentukan titik tujuan selanjutnya digunakan persamaan 2.1.
c) Perhitungan Panjang Tour dan Pencarian Jalur Terpendek
• Perhitungan panjang tour setiap semut.
Perhitungan panjang tour setiap semut k (Ck) dilakukan setelah setiap
semut menyelesaikan tournya masing - masing. Perhitungan ini
dilakukan berdasarkan tabuk masing – masing dengan persamaan
berikut :
n −1
C k = d tabu k (n ) , tabu k (1) + ∑ d tabuk ( s ) , tabu k ( s +1) ............................(3.1)
s =1
Dimana d tabu k ( s ),tabuk ( s +1) merupakan jarak edge dari titik s sampai titik
s+1 pada tabu list yang ditempati oleh semut k, dan d tabuk ( n ),tabuk (1)
40
adalah jarak antara titik n (akhir) dan titik pertama (awal) pada tabu
list yang ditempati oleh semut k
• Pencarian tour terpendek.
Setelah Ck setiap semut dihitung, akan diperoleh tour terpendek pada
setiap iterasi. Panjang tour terpendek terbaik secara keseluruhan
dinyatakan dengan Cbs.
d) Perhitungan Perubahan Harga Intensitas Pheromone
• Perhitungan perubahan harga intensitas Pheromone antar titik.
Koloni semut akan meninggalkan Pheromone pada lintasan antar
titik yang dilaluinya. Adanya penguapan dan perbedaan jumlah
semut yang lewat, menyebabkan kemungkinan terjadinya perubahan
harga intensitas Pheromone antar titik. Persamaan perubahan ini
adalah :
m
∆τ rs = ∑ ∆τ rsk ............................................................................(3.2)
k =1
dengan ∆τ rsk adalah perubahan harga intensitas Pheromone antara
titik r dan s untuk semut k. Dimana ∆τ rsk dihitung sebagai berikut :
⎧Q
, untuk (r , s ) ∈ kota asal dan kota tujuan dalam tabu k
⎪⎪ k
∆τ rsk = ⎨ C
⎪0 , untuk (r , s ) lainnya
⎪⎩
• Perhitungan harga intensitas Pheromone antar titik untuk iterasi
selanjutnya.
41
Harga intensitas Pheromone semut antar titik pada semua lintasan
antar titik ada kemungkinan berubah karena adanya penguapan dan
perbedaan jumlah semut yang melewati. Untuk iterasi selanjutnya,
semut yang akan melewati lintasan tersebut harga intensitasnya telah
berubah. Harga intensitas Pheromone antar titik untuk iterasi
selanjutnya dihitung dengan persamaan 2.3.
e) Proses pemberhentian (Pengosongan tabu list dan ulangi langkah b)
Tabu list dikosongkan untuk diisi kembali dengan urutan titik
yang baru pada iterasi selanjutnya, jika NCmax belum tercapai atau
belum terjadi konvergensi (semua semut hanya menemukan satu tour
yang sama dengan jarak yang sama pula). Algoritma diulang lagi dari
langkah b dengan harga parameter intensitas Pheromone antar titik yang
sudah diperbaharui.
Perhitungan akan dilanjutkan hingga semut telah menyelesaikan
perjalanannya mengunjungi tiap-tiap titik. Hal ini akan berulang hingga
sesuai dengan NCmax yang telah ditentukan atau telah mencapai
konvergensi. Kemudian akan ditentukan jarak terpendek dari masing-
masing iterasi. Jarak terpendek inilah yang merupakan solusi terbaik dari
algoritma Ant System.
42
3.2.2 Penetapan Parameter Algoritma AS
Pada eksperimen yang dilakukan oleh Dorigo, M., Maniezzo, V.,
dan Colorni, A, (1996) yang dilakukan dengan algoritma AS untuk
menyelesaikan TSP, parameter yang digunakan untuk mencapai solusi
yang mendekati optimal adalah masing-masing mempunyai nilai sebagai
berikut : α = 1 , β = 2 sampai β = 5 , dan ρ = 0,5 . Selain ketiga
parameter diatas, untuk mendapatkan hasil yang lebih mendekati optimal
maka masih terdapat parameter yang lain yaitu τ 0 (Nilai Pheromone
awal), dengan nilai τ 0 dihitung sebagai berikut :
m
τ0 = . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . (3.3)
C nn
Dimana Cnn adalah panjang sebuah tour terbaik yang diperoleh dari
metode nearest neighbourhood heuristic. Banyaknya semut sama dengan
jumlah titik pada masalah (m = n). Hal ini untuk menghindari jumlah
semut yang berlebih sehingga akan menimbulkan ketidak optimalan dalam
penyelesaian. Penempatan semut pada awal algoritma yaitu dengan
menempatkan satu semut pada satu titik saja. Hal ini untuk menghindari
penumpukan semut pada satu jalur yang sama yang akan menimbulkan
stagnasi.
3.2.3 Pengaruh α , β dan ρ terhadap Performa Algoritma AS
Parameter – parameter α , β , dan ρ mempunyai pengaruh terhadap
performa hasil yang diperoleh pada AS, sehingga untuk mengetahui
43
pengaruh dari parameter – parameter tersebut, berikut diberikan hasil
simulasi dengan ACOTSP, versi 1.0 yang dikembangkan oleh Dorigo dan
••
St u tzle . Permasalahan yang diujikan yaitu att48 dengan α , β , dan ρ
masing – masing dengan nilai : α ∈ {0; 0,2; 0,5; 0,7; 1; 1,5; 2}, β ∈ {0;
0,5; 1; 2; 5; 10; 20} dan ρ ∈ {0,1; 0,3; 0,5; 0,7; 0,9; 1}. Hasil eksperimen
yang diperoleh ditunjukkan pada gambar 3.1 untuk nilai α , gambar 3.2
untuk nilai β , dan gambar 3.3 untuk nilai ρ .
11500 11407
11400
11300
11200 11099
11040
Jarak Tour
11100
11000 10880 10908
10878 10854
10900
10800
10700
10600
10500
0 0,2 0,5 0,7 1 1,5 2
α
Gambar 3.1 Pengaruh Nilai α terhadap Performa AS
Gambar 3.1 diatas menunjukkan dengan nilai α = 1 diperoleh
performa hasil yang terbaik dengan panjang tour terbaik 10854 dan
performa paling jelek diperoleh dengan nilai α = 2 dengan panjang tour
terbaiknya 11407.
44
20000
15000 17503
Jarak Tour
10000 11964
11066 10981 10965 11223 11069
5000
0
0 0,5 1 2 5 10 20
β
Gambar 3.2 Pengaruh Nilai β terhadap Performa AS
Gambar 3.2 diatas menunjukkan dengan nilai β = 5 diperoleh
performa yang paling baik dengan panjang tour terbaik 10965 dan hasil
yang paling jelek diperoleh dengan nilai β = 0 dengan panjang tour
terbaiknya 17503. Meskipun performa terbaik dihasilkan dengan nilai
β = 5 , pada kenyataannya nilai β = 2 juga sangat mendekati hasil yang
optimal dengan panjang tour terbaiknya 10981. Jadi dengan kata lain
performa terbaik pada algoritma AS bisa diperoleh dengan nilai
β = 2 sampai β = 5 .
11100 11058
11050 11024 11013
11000 10965
Jarak Tour
10950 10921
10879
10900
10850
10800
10750
0,1 0,3 0,5 0,7 0,9 1
ρ
Gambar 3.3 Pengaruh Nilai ρ terhadap Performa AS
45
Gambar 3.3 diatas menunjukkan dengan nilai ρ = 0,5 diperoleh
performa yang paling baik, dengan panjang tour terbaik 10878 dan hasil
yang paling jelek diperoleh dengan nilai ρ = 1 dengan panjang tour
terbaiknya 11058.
Dari ketiga parameter tersebut diatas maka, terdapat kombinasi
yang paling bagus untuk memperoleh hasil yang mendekati optimal.
Masing – masing nilai ketiga parameter tersebut adalah sebagai berikut :
α = 1 , β = 2 sampai β = 5 , dan ρ = 0,5 . Tetapi pada beberapa kasus
yang ada, kombinasi ini tidak selalu menghasilkan nilai yang mendekati
optimal. Hal ini tergantung pada besarnya masalah yang diselesaikan.
3.3 Elitist Ant System (EAS) untuk Traveling Salesman Problem (TSP)
3.3.1 Langkah – langkah dalam menyelesaikan EAS
Elitist Ant System (EAS) merupakan algoritma pengembangan
pertama dari algoritma Ant System. Algoritma EAS pada dasarnya
memiliki penyelesaian yang serupa dengan AS dalam menyelesaikan
permasalahan TSP, tetapi pada sistem update Pheromone-nya berbeda.
Pada AS, Pheromone di-update pada semua edge yang dilewati semut
(persamaan 2.3). Sehingga yang mendapatkan penambahan Pheromone
hanya pada edge – edge yang dilewati semut saja dan penambahan
Pheromone sebesar sejumlah semut yang melewati edge – edge tersebut.
Pada EAS, update Pheromone dilakukan pada semua edge yang
dilewati semut dan ada penambahan khusus pada edge – edge yang
46
e
merupakan bagian dari tour terpendek. Penambahan ini sebesar ,
C bs
dimana e adalah parameter yang menunjukkan adanya tour terbaik (Tbs)
dan Cbs adalah panjang tour terbaik. Update Pheromone pada EAS ini
dihitung berdasarkan persamaan 2.4. Penambahan ini dimaksudkan untuk
mempersempit ruang pencarian semut pada iterasi selanjutnya, sehingga
pada iterasi selanjutnya semut diharapkan akan lebih terkonsentrasi pada
edge – edge yang mempunyai jarak pendek dan jumlah Pheromone yang
terbanyak. Dengan demikian, semut akan lebih mudah menemukan tour
terbaik karena hanya mempunyai ruang pencarian yang lebih sempit.
Setelah selesai melakukan update, semut akan berhenti melakukan
pencarian apabila semua semut hanya menemukan satu tour yang sama
dengan jarak yang sama pula (konvergensi) atau telah memenuhi NCmax
yang telah ditentukan sebelumnya. Jika sebaliknya, maka proses pencarian
akan dilanjutkan dan tabulist dari masing-masing semut dikosongkan
kembali dan semut memulai pencarian dengan Pheromone awal yang telah
diperbaharui.
Seperti yang dikatakan diatas, bahwa EAS pada dasarnya hampir
sama dengan AS, maka parameter yang digunakan pun hampir sama
dengan AS. Perbedaan yang ada hanya pada parameter e, yang hanya ada
pada EAS dan nilai dari τ 0 -nya (intensitas Pheromone awal).
Secara jelasnya EAS mempunyai langkah-langkah sebagai berikut :
Langkah 1 : Penetapan parameter dan Nilai Pheromone Awal
47
Sebagai langkah awal, ditentukan parameter-parameter
yang akan dimasukkan pada algoritma EAS, parameter
yang dimaksud sama dengan parameter yang terdapat pada
algoritma AS. Selain itu terdapat parameter e yaitu
parameter yang didefinisikan sebagai nilai pada tour
terbaik. Nilai e disini biasanya sama dengan jumlah n titik
(masalah) yang ada (e = n).
Langkah 2 : Setiap semut membangun solusi dengan aturan transisi
Setelah semua semut ditempatkan pada setiap titik awal,
dengan satu titik hanya ditempati satu semut saja.
Selanjutnya, semut akan memilih titik selanjutnya dengan
aturan probabilitas transisi, pada persamaan 2.1. setelah
titik dipilih maka tidak akan dipilih lagi sampai semut
menyelesaikan sebuah tour.
Langkah 3 : Mengecek tour terbaik
Setelah semua semut menyelesaikan tournya, maka panjang
dari tour masing- masing semut dihitung. Setelah itu
diketahui tour yang terbaik (jarak tour terpendek),
kemudian di-update.
Langkah 4 : Update Pheromone
Setelah semut menyelesaikan satu perjalanan (tour), maka
intensitas Pheromone pada iterasi selanjutnya akan berubah
sesuai dengan aturan pembaharuan Pheromone pada EAS.
48
Perhitungan perubahan intensitas Pheromone pada EAS ini
sama dengan update Pheromone pada AS. Tetapi, pada
EAS ada penambahan Pheromone pada edge-edge yang
merupakan tour terbaik pada iterasi yang telah dilewati.
Pada iterasi selanjutnya, semut yang akan melewati lintasan
tersebut intensitas Pheromone-nya telah berubah. Harga
intensitas Pheromone untuk edge-edge pada tour terbaik
untuk iterasi selanjutnya dihitung berdasarkan persamaan
2.4.
Langkah 5 : Pemberhentian
Tabu list dikosongkan kembali untuk diisi dengan urutan
titik baru pada iterasi selanjutnya, jika NCmax belum
tercapai atau belum terjadi konvergensi (semua semut
hanya menemukan satu tour yang sama dengan jarak yang
sama pula). Algoritma diulang lagi dari langkah 2 dengan
harga parameter intensitas Pheromone antar titik yang
sudah diperbaharui. Perhitungan akan dilanjutkan hingga
semut telah menyelesaikan perjalanannya mengunjungi
tiap-tiap titik. Hal ini akan berulang hingga sesuai dengan
NCmax yang telah ditentukan atau telah mencapai
konvergensi. Kemudian akan ditentukan jarak terpendek
dari masing-masing iterasi. Jarak terpendek inilah yang
merupakan solusi terbaik dari algoritma Elitist Ant System.
49
3.3.2 Penetapan Parameter Algoritma EAS
Dalam eksperimen yang dilakukan oleh Bullnheimer, B., Hartl, R.
F., dan Strauss, C, (1997) dengan algoritma EAS untuk menyelesaikan
TSP, parameter yang digunakan untuk mencapai solusi yang lebih
mendekati optimal adalah masing – masing mempunyai nilai sebagai
berikut : β = 2 sampai 5 , ρ = 0,5 , α = 1 , e = n, dan τ 0 yang dihitung
sebagai berikut :
τ0 =
(e + m ) . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . . . . (3.4)
ρC nn
metode nearest neighbourhood heuristic, m jumlah semut, dan n adalah
jumlah titik yang ada pada masalah. Penetapan parameter diatas bisa
berubah sesuai dengan besarnya masalah yang dihadapi kecuali untuk nilai
τ 0 , yaitu dengan nilai seperti persamaan 3.4. Jumlah semut yang
digunakan untukmendapatkan solusi yang lebih mendekati optimal dalam
EAS yaitu m = n. Hal ini untuk menghindari jumlah semut yang berlebih
sehingga akan menimbulkan ketidakoptimalan dalam penyelesaian.
Penempatan semut pada awal algoritma yaitu dengan menempatkan satu
semut pada satu titik saja. Hal ini untuk menghindari penumpukan semut
pada satu jalur yang sama sehingga akan menimbulkan stagnasi.
50
garuh α , β dan ρ terh
3.3.3 Peng hadap Perfoorma Algoriitma EAS
Parameteer – parametter α , β , dann ρ mempunnyai pengaru

uh terhadap
orma hasil yang diperooleh pada EAS,

perfo E sehinggga untuk mengetahui
m
peng
garuh dari parameter
p – parameter tersebut, bberikut diberrikan hasil
ulasi dengan ACOTSP, vversi 1.0 yanng dikembanngkan oleh Dorigo

simu D dan
••
t . Permaasalahan yanng diujikan yaitu att488 dengan α , β , dan ρ
St u tzle
0 1; 1,5; 22}, β ∈ {0; 0,5; 1; 2; 5;

masiing – masingg dengan nilaai : α ∈ {0; 0,5;
10; 20}
2 dan ρ ∈ {0,1; 0,33; 0,5; 0,7; 0,9; 1}. H
Hasil eksperiimen yang
diperroleh ditunjuukkan pada gambar 3.44 untuk nilaii α , gambarr 3.5 untuk
nilai β , dan gam

mbar 3.6 unttuk nilai ρ .
α
mbar 3.4 Pengaaruh Nilai α terhadap Perrforma EAS
Gam
Gambar 3.4 menunjukkan dengan nilaai α = 1 dipeeroleh hasil

3 diatas m
tour yang palingg baik dengaan panjang tour

t terbaik 10636 dan hasil yang
palinng jelek dipeeroleh dengaan nilai α = 0 dengan panjang

p tour terbaiknya
111550.
51
β
mbar 3.5 Pengaaruh Nilai β terhadap Perrforma EAS
Gam
Gambar 3.5 diatas menunjukkaan dengan nilai β = 5 diperoleh
hasill tour yang terbaik denggan panjang

g tour terbaiiknya 106966 dan hasil
yang
g paling jeleek diperolehh dengan nilai
n β = 0 dengan paanjang tour
terbaaiknya 11828
8.
ρ
mbar 3.6 Pengaaruh Nilai ρ terhadap Perrforma EAS
Gam
n dengan niilai ρ = 0,5 diperoleh

Gambar 3.6 diatas menunjukkan
m
hasill tour yang paling

p baguss dengan pan
njang tour teerbaik 106288 dan hasil
52
yang paling jelek diperoleh dengan nilai ρ = 1 dengan panjang tour
terbaiknya 10733.
α = 1 , β = 5 , dan ρ = 0,5 . Tetapi pada beberapa kasus yang ada,
kombinasi ini tidak selalu menghasilkan nilai yang optimal. Hal ini
tergantung pada besarnya masalah yang diselesaikan dan pangujian yang
dilakukan.
3.4 Rank-Based Ant System (ASRank) untuk Traveling Salesman Problem
3.4.1 Langkah – langkah dalam menyelesaikan ASRank
Algoritma ASRank merupakan pengembangan dari Ant System (AS)
dengan menerapkan EAS, secara keseluruhan algoritma ASRank untuk TSP
penyelesaiannya juga hampir sama dengan AS. Akan tetapi, dalam system
update Pheromone ( perubahan nilai Pheromone-nya ) mempunyai
perbedaan baik dengan AS maupun EAS. Setelah semua semut
menyelesaikan tournya, semut akan mengelompokkan diri berdasarkan
peringkat (panjang pendeknya tour yang mereka temukan). Kemudian,
semut meng – update edge – edge yang telah mereka lalui dengan jumlah
Pheromone yang berbeda, sesuai dengan tingkatannya. Update Pheromone
disini hanya dilakukan pada (w-1) semut terbaik dan semut yang memiliki
solusi best-so-far tour yang diperbolehkan menambahkan Pheromone.
53
Semut yang ke-z terbaik memberikan kontribusi Pheromone sebesar max
{0, w-z} sementara jalur best-so-far tour memberikan kontribusi
Pheromone paling besar yaitu sebesar w. Dalam update Pheromone-nya
ASRank menerapkan persamaan 2.6. Penambahan beberapa parameter
membuat hasil penyelesaian lebih optimal daripada AS maupun EAS.
Setelah selesai melakukan update, semut akan berhenti melakukan
pencarian apabila semua semut telah menemukan tour yang sama dengan
jarak yang sama pula (konvergensi) atau telah memenuhi NCmax yang
telah ditentukan sbelumnya. Jika sebaliknya, maka proses pencarian akan
diulangi dari langkah ke-2 dan tabu list dari masing-masing semut
dikosongkan kembali. Semut memulai pencarian dengan Pheromone awal
yang telah diperbaharui pada iterasi sebelumnya.
Secara jelasnya ASRank mempunyai langkah-langkah sebagai
berikut :
Langkah 1 : Penetapan parameter dan Nilai Pheromone Awal
Seperti pada AS dan EAS sebagai langkah awal, kita
menentukan parameter-parameter yang akan dimasukkan
pada algoritma ASRank, parameter yang dimaksud sama
dengan parameter yang terdapat pada algoritma AS. Selain
itu terdapat parameter w dan z, dimana w adalah parameter
yang menyatakan adanya tour terbaik dan z adalah
peringkat semut. Cz adalah panjang tour yang dilewati
semut ke-z dan Cbs adalah panjang tour terbaik.
54
Langkah 2 : Setiap semut membangun solusi dengan aturan transisi
Setelah semut ditempatkan dititik awalnya masing - masing
maka, selanjutnya semut akan memilih titik selanjutnya
dengan aturan probabilitas transisi, pada persamaan 2.1.
Langkah 3 : Mengecek tour terbaik
Setelah semua semut menyelesaikan iterasinya maka,
panjang dari tour masing – masing semut dihitung. Setelah
itu diketahui tour yang terbaik (jarak tour terpendek),
kemudian di-update.
Langkah 4 : Update Pheromone
Setelah m semut menyelesaikan tournya dalam satu iterasi,
mereka mengelompokkan diri berdasarkan tingkat fluktuasi
solusi (panjang/pendeknya tour) yang telah mereka
temukan sebelumnya. Kemudian, semut – semut melakukan
update Pheromone. Dalam ASRank aturan Pheromone
update- nya diberikan pada persamaan 2.6.
Langkah 5 : Pemberhentian
Semut akan berhenti melakukan pencarian tour terbaik, jika
semua semut telah menemukan satu tour yang sama dengan
jarak yang sama pula (konvergensi) atau sudah mencapai
NCmax yang ditentukan sejak awal algoritma. Jika belum,
maka semut akan kembali lagi mengulangi proses dari
langkah 2.
55
3.4.2 Penetapan Parameter Algoritma ASRank
Dalam eksperimen yang dilakukan oleh Bullnheimer, B., Hartl, R.
F., dan Strauss, C. (1997) dengan algoritma ASRank untuk menyelesaikan
TSP, parameter yang digunakan untuk mencapai hasil yang lebih
mendekati optimal adalah masing-masing mempunyai nilai sebagai berikut
: β = 2 sampai 5 , ρ = 0,01 , α = 1 , dan τ 0 yang dihitung sebagai berikut
0,5 z ( z − 1)
τ0 = . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . (3.5)
ρC nn
Dimana Cnn adalah panjang tour terbaik yang diperoleh dari metode
nearest neighbourhood heuristic, z adalah peringkat dari semut, n adalah
jumlah titik yang ada pada masalah, dan parameter w = 6. Penetapan
parameter diatas bisa berubah sesuai dengan besarnya masalah yang
dihadapi kecuali untuk nilai τ 0 yang dihitung seperti persamaan 3.5.
Jumlah semut yang digunakan untuk memdapatkan solusi yang lebih
mendekati optimal dalam ASRank yaitu sama dengan jumlah titik pada
masalah yang diselesaikan (m = n). Hal ini untuk menghindari jumlah
semut yang berlebih sehingga akan menimbulkan ketidakoptimalan dalam
penyelesaian. Penempatan semut pada awal algoritma yaitu dengan setiap
titik hanya boleh ditempati satu semut saja, hal ini untuk menghindari
penumpukan semut pada satu jalur yang sama.
56
garuh α , β dan ρ terh
3.4.3 Peng hadap Perfoorma Algoriitma ASRankk
Parameteer – parametter α , β , dann ρ mempunnyai pengaru

uh terhadap
perfo
orma hasil yang
y diperoleh pada AS
SRank, sehinggga untuk mengetahui
m
peng
garuh dari parameter
p – parameter tersebut berikut diberrikan hasil
simu
ulasi dengan ACOTSP, vversi 1.0 yanng dikembanngkan oleh Dorigo
D dan
••
t . Permassalahan yanng diujikan yaitu
St u tzle y eil101 dengan α , β , dan ρ
0 1; 1,5; 22}, β ∈ {0; 0,5; 1; 2; 5;

masiing – masingg dengan nilaai : α ∈ {0; 0,5;
10; 20}
2 dan ρ ∈ {0,01; 0,005; 0,1; 0,55; 0,9; 1}. H
Hasil eksperrimen yang
diperroleh ditunjuukkan pada gambar 3.77 untuk nilaii α , gambarr 3.8 untuk
nilai β , dan gam

mbar 3.9 unttuk nilai ρ .
α
Gambar 3.7 Pengarruh Nilai α terhadap
t forma ASRank
Perfo
Gambar 3.7 menunjukkan dengan nilaai α = 1 dipeeroleh hasil

3 diatas m
g baik denggan panjang tour terbaiik 641 dan hasil yang

tour yang paling
palinng jelek dipeeroleh dengaan nilai α = 0 dengan panjang

p tour terbaiknya
723.
57
β
Gambar 3.8 Pengarruh Nilai β terhadap
t forma ASRank
Perfo
Gambar 3.8 diatas menunjukkaan dengan nilai β = 5 diperoleh
hasill tour yang paling

p baik dengan panjjang tour terrbaiknya 638
8 dan hasil
yang
g paling jeleek diperolehh dengan nilai
n β = 0 dengan paanjang tour
terbaaiknya 693.
ρ
Gambar 3.9 Pengarruh Nilai ρ terhadap
t forma ASRank
Perfo
58
Gambar 3.9 diatas menunjukkan hasil tour yang paling mendekati
optimal dengan panjang tour terbaik 633 diperoleh pada saat nilai ρ = 0,1
dan hasil yang paling jelek diperoleh dengan nilai ρ = 1 dengan panjang
tour terbaiknya 743.
α = 1 , β = 5 , dan ρ = 0,1 . Tetapi pada beberapa kasus yang ada,
kombinasi ini tidak selalu menghasilkan nilai yang optimal. Hal ini
tergantung pada besarnya masalah yang diselesaikan dan pangujian yang
dilakukan.
3. 5 MAX – MIN Ant System (MMAS) untuk Traveling Salesman Problem
3.5.1 Langkah – langkah dalam menyelesaikan MMAS
Algoritma MMAS merupakan pengembangan selanjutnya dari
algoritma Ant System (AS) setelah EAS dan ASRank. Algoritma MMAS
pada dasarnya juga memiliki penyelesaian yang hampir sama dengan AS
dalam menyelesaikan permasalahan TSP, tetapi pada sistem update
Pheromone-nya berbeda.
Algoritma MMAS mempunyai langkah – langkah penyelesaian
yang mirip dengan AS, secara jelasnya berikut langkah – langkah pada
Algoritma MMAS :
59
• Pertama, menginisialisasi parameter dan penempatan semut awal pada
sejumlah n titik.
• Kedua, semut memilih titik selanjutnya berdasarkan persamaan 2.1.
• Ketiga, semua semut menyelesaikan tournya masing – masing, panjang
tour semut dihitung dan diperoleh tour terbaik.
• Keempat, dilakukan update Pheromone, pada update ini penambahan
Pheromone bisa dilakukan pada tour terbaik yang ditemukan sejak
awal algoritma (best so-far tour) atau bisa juga pada tour terbaik yang
ditemukan pada iterasi tersebut (iteration best-tour), bisa juga
ditambahkan pada keduanya baik best so-far tour dan iteration best-
tour secara bersamaan. Aturan update Pheromone pada MMAS
menerapkan persamaan 2.7.
• Kelima, dilakukan test terhadap kondisi akhir yang menandakan
pemberhentian proses pencarian tour terpendek. Jika semua semut
telah menemukan satu tour yang sama dengan jarak yang sama pula
(konvergensi) atau NCmax terpenuhi maka pencarian dihentikan,
apabila belum maka proses pencarian akan dilanjutkan sampai terjadi
konvergensi atau NCmax terpenuhi.
Pada algoritma MMAS terdapat beberapa hal penting yang perlu
dicatat, yaitu :
1. Proses pembaharuan atau update Pheromone dilakukan terhadap edge
– edge dengan best so-far tour atau iteration best-tour, penambahan
ini bisa pada salah satu atau keduanya sekaligus. Hal ini tergantung
60
pada pengguna, sesuai dengan penetapan parameter yang dipilih pada
awal algoritma.
2. Untuk mengantisipasi terjadinya stagnasi (semut terkonsentrasi pada
satu jalur yang sama) pada algoritma karena penambahan Pheromone,
maka diberikan batasan dalam pemberian nilai Pheromone dengan
interval [τ min ,τ max ] .
3. Menginisialisasi nilai Pheromone dengan batas atas nilai Pheromone,
yang mana bersama dengan tingkat evaporasi Pheromone yang kecil
dapat meningkatkan eksplorasi tour sejak dimulainya pencarian.
4. Pheromone di inisialisasi kembali pada saat terjadi stagnasi atau ketika
tidak ditemukan tour yang sesuai dengan iterasi yang diinginkan.
3.5.2 Penetapan Parameter Algoritma MMAS
Dalam eksperimen yang dilakukan dengan algoritma MMAS untuk
menyelesaikan TSP (Stu¨ tzle, T., dan Hoos, H. H., 1997), parameter yang
digunakan untuk mencapai solusi yang lebih mendekati optimal adalah
masing – masing mempunyai nilai sebagai berikut : β = 2 sampai 5 ,
ρ = 0,98 , α = 1 , ρ best = 0,05 dan τ 0 dihitung menurut persamaan berikut
1
τ0 = . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . . . . (3.6)
ρC nn
metode nearest neighbourhood heuristic dan n adalah jumlah titik yang
61
ada pada masalah. Batas atas nilai Pheromone ( τ max ) dan batas bawah (
τ min ) dihitung sesuasi persamaan 3.7 dan 3.8 sebagai berikut :
1
τ max = . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . . . .
ρC bs
(3.7)
dimana Cbs adalah panjang tour terbaik yang ditemukan sejak awal
algoritma berjalan.
τ min =
(
τ max 1 − n ρ best ) . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . .(3.8)
((avg − 1) n ρ best )
Dimana avg adalah rata – rata jumlah dari pilihan yang berbeda pada
semut dalam setiap langkah untuk menemukan tour terbaiknya, dengan
nilai ρ best = 0,05 . Penetapan parameter diatas bisa berubah sesuai dengan
besarnya masalah yang dihadapi kecuali untuk nilai τ 0 , yang dihitung
sesuai dengan persamaan 3.6, nilai τ max yang dihitung sesuai persamaan 3.7,
dan nilai τ min yang dihitung sesuai persamaan 3.8. Jumlah semut yang
digunakan untuk memperoleh solusi lebih mendekati optimal dalam
MMAS adalah m = n. Hal ini untuk menghindari jumlah semut yang
berlebih sehingga akan menimbulkan ketidakoptimalan dalam
penyelesaian. Penempatan semut pada awal algoritma yaitu dengan
menempatkan satu semut pada satu titik saja. Hal ini untuk menghindari
penumpukan semut pada satu jalur yang sama yang akan menimbulkan
stagnasi.
62
3.5.3 Inisialisasi Nilai Pheromone
Saat algoritma mulai dijalankan, nilai Pheromone diinisialisasi
dengan batas atas nilai Pheromone. Inisialisasi nilai Pheromone
dikombinasikan dengan parameter evaporasi Pheromone akan
menyebabkan peningkatan secara perlahan perbedaan relatif pada level
Pheromone. Oleh karena itu, phase pencarian dalam MMAS menjadi
sangat explorative.
Pada MMAS nilai Pheromone kadang – kadang di reinisialisasi
kembali, ini berarti peningkatan eksplorasi hanya mempunyai probabilitas
yang kecil dari pemilihan jalur. Pheromone di reinisialisasi pada saat
pencarian tour terbaik mendekati stagnasi atau setelah beberapa iterasi
algoritma tidak menemukan tour yang lebih baik.
Pada algoritma MMAS, inisialisasi hanya dilakukan pada batas atas
nilai Pheromone saja. Untuk menunjukkan manfaat dari inisialisasi pada
batas atas nilai Pheromone, diberikan hasil eksperimen (Stu¨ tzle, T., dan
Hoos, H. H., 1997) yang dapat dilihat pada tabel 3.1 yang dibandingkan
dengan inisialisasi pada batas bawah Pheromone. Hasil ini menunjukkan
bahwa semua masalah yang diinisialisasi pada batas atas Pheromone
diperoleh hasil yang lebih baik, kecuali pada satu masalah dengan kategori
terkecil yaitu pada eil51. Dengan semakin membesarnya masalah maka
inisialisasi batas atas Pheromone perlu dilakukan untuk memperoleh hasil
yang lebih mendekati optimal.
63
Tabel 3.1. Hasil eksperimen inisialisasi Pheromone untuk batas atas
(τ (0) = τ max ) dan batas bawah (τ (0) = τ min ) .

Masalah τ (0) = τ max τ (0 ) = τ min
eil51 427,8 427,7
kro100 21336,9 21362,3
dl98 15952,3 16051,8
lin318 42346,6 42737,6
3.5.4 Pengaruh Batas Bawah Pheromone Terhadap Performa MMAS
Pengaruh keefektifan batas bawah Pheromone terhadap performa
MMAS dapat dilihat dari hasil eksperimen (Stu¨ tzle, T., dan Hoos, H. H.,
1997) pada tabel 3.2. Dalam eksperimen ini digunakan iterasi maksimum
2500.n, Penetapan parameter standar sama seperti pada tabel 3.5 dengan
ρ = 5 dan nilai ρ best = {0,0005; 0,005; 0,05; 0,5}, serta digunakan
τ min = 0 untuk eksperimen tanpa nilai batas bawah.
Secara keseluruhan hasil yang diperoleh dengan menggunakan
batas bawah Pheromone lebih baik dibandingkan dengan tanpa
menggunakan batas bawah Pheromone. Untuk nilai ρ best rata – rata
menghasilkan nilai yang lebih mendekati optimal pada setiap masalah,
kecuali untuk ρ best = 0,0005 . Dibandingkan nilai ρ best yang lain, nilai
ρ best = 0,0005 paling jelek hasilnya, tetapi dibandingkan dengan tanpa
nilai batas bawah masih lebih baik. Untuk ρ best = 0,005 mempunyai hasil
64
terbaik hanya pada masalah yang sangat besar yaitu, pada lin318.
Sedangkan untuk ρ best = 0,05 mempunyai hasil terbaik pada masalah yang
cukup besar yaitu pada dl98 dan kro100, dan untuk ρ best = 0,5 mempunyai
hasil yang mendekati optimal pada masalah berkategori kecil yaitu pada
eil51.
Tabel 3.2. Hasil eksperimen nilai batas bawah Pheromone dan tanpa batas
bawah Pheromone.
ρ best = 0,0005 ρ best = 0,005 ρ best = 0,05 ρ best = 0,5
Masalah τ min = 0
eil51 428,5 428,0 427,8 427,7 427,8

kro100 21344,8 21352,8 21336,9 21353,9 21373,2
d198 16024,9 15973,2 15952,3 16002,3 16047,6
lin318 42363,4 42295,7 42346,6 42423,0 42631,8
3.5.5 Best so-far tour (Cbest) Vs Iteration best-tour (Cib)
Performa MMAS juga dipengaruhi oleh Cib atau Cbest yang dipilih
dalam melakukan update Pheromone. Pangaruh dari masing – masing nilai
tersebut terhadap performa MMAS dapat dilihat pada tabel 3.3, dalam
eksperimen (Stu¨ tzle, T., dan Hoos, H. H., 1997) digunakan nilai batas
bawah (+ limit) dan tanpa batas bawah Pheromone (- no – limit).
Dari hasil yang diperoleh terlihat jelas bahwa dengan mengunakan
Cib + limit diperoleh hasil yang lebih baik dibandingkan dengan Cbest +
limit. Begitu pula pada Cib – no – limit juga lebih baik dibandingkan
dengan Cbest – no – limit. Performa MMAS dengan Cib + limit merupakan
yang terbaik dibandingkan dengan yang lainnya. Dari sini dapat dikatakan
65
bahwa MMAS akan mempunyai performa yang lebih baik bila update
Pheromone mengunakan Cib daripada menggunakan Cbest.
Tabel 3.3. Hasil eksperimen Best so-far tour (Cib) Vs Iteration best-tour
(Cbest) dengan dan tanpa menggunakan batas bawah Pheromone.
Masalah Cib + limit Cbest + limit Cib – no – limit Cbest – no – limit

eil51 427,8 429,2 427,8 434,1
kro100 21336,9 21417,1 21373,2 21814,7
dl98 15952,3 16136,1 16047,6 16473,7
lin318 42346,6 42901,0 42631,8 44558,5
3.6 Ant Colony System (ACS) untuk Traveling Salesman Problem (TSP)
3.6.1 Pseudocode Algoritma ACS Untuk TSP
Berikut ini adalah Pseudocode algoritma Ant Colony System untuk
menyelesaikan Travelling Salesman Problem (TSP) :
1. {Fase Inisialisasi}
For r = 1 to n do {n adalah jumlah titik}
For s = 1 to n do
τ(r,s) : = τ 0
End-for
End-for
For k : = 1 to m do {m adalah jumlah semut}
Ambil rk1 menjadi titik awal untuk semut k
Jk ( rk1 ) : = {1,…,n} - rk1
66
{ Jk ( rk1 ) adalah himpunan titik – titik yang belum dan akan
dikunjungi oleh semut k yang berada di titik rk1 }
rk : = rk1 { rk adalah titik dimana semut k berada}
End-for
2. {Fase saat semut membangun lintasannya. Lintasan semut k disimpan
di tour k}
For i : = 1 to n do
If i < n
Then
For k : = 1 to m do
Pilih titik berikutnya s k menurut persamaan (2.8) dan
(2.1)
Jk ( s k ) : = Jk ( rk ) - s k
{ Jk ( s k ) adalah himpunan titik – titik yang belum dan
akan dikunjungi oleh semut k yang berada di titik s k }
Tourk (i) : = (rk , s k )
End-for
Else
For k : = 1 to m do
{pada tour ini semua semut kembali ketitik awal rk1 }
s k : = rk1
67
Tourk (i) : = (rk , s k )
End-for
End if
{ pada fase ini local updating berlangsung dan Pheromone di-
update menurut persamaan (2.11)}
For k : = 1 to m do
τ (rk , s k ) : = (1 − ξ ).τ (rk , s k ) + ξ .τ 0
rk : = s k {titik yang baru untuk semut k}
End-for
End-for
3. {Pada fase ini global updating berlangsung dan Pheromone di-update}
For k : = 1 to m do
Hitung Ck { Ck adalah panjang lintasan yang dihasilkan semut k}
End-for
Tetapkan Cbs {Cbs adalah panjang tour terbaik }
{update edge-edge yang menjadi bagian dari Cbs menurut pers.
(2.9)}
For setiap edge (r,s)
τ (rk , s k ) := (1 − ρ ).τ (rk , s k ) + ρ (C bs )

−1
End-for
4. If (End_Condition = True)
Then print Ck yang terpendek
Else go to fase 2
68
3.6.3 Penjelasan Algoritma ACS
Penyelesaian algoritma ACO yang terdapat pada ACS dalam
usahanya untuk mencari jalur terpendek dari sebuah permasalahan yang
direpresentasikan dalam sebuah graph adalah sebagai berikut :
• Pertama, ACS menggunakan beberapa agent yang dinamakan semut.
Algoritma ini dimulai dengan menempatkan setiap semut pada titik
awalnya masing – masing. Untuk mendapatkan hasil yang lebih
beragam, sebaiknya setiap semut memiliki titik awal yang berlainan,
dan titik awal untuk setiap semut tidak akan berubah selama algoritma
berjalan. Tour yang dilakukan oleh setiap semut dimulai dari sebuah
titik awal dan melewati edge-edge yang menghubungkan n titik yang
ada dengan setiap titik hanya dikunjungi sekali saja, kemudian kembali
lagi ke titik awal tersebut.
• Kedua, setelah ditempatkan pada titik awalnya masing-masing, setiap
semut memulai tournya dengan memilih titik berikutnya yang akan
dikunjungi berdasarkan persamaan (2.8) dan (2.1). Pemilihan titik
berikutnya ini dipengaruhi oleh panjangnya edge yang
menghubungkan antara titik dimana semut berada saat ini dengan titik
yang akan ditujunya, dan jumlah Pheromone yang ada pada edge
tersebut.
• Ketiga, update Pheromone.
Pheromone, merupakan informasi yang ditinggalkan oleh semut yang
telah lebih dahulu melewati edge tersebut. Edge yang lebih pendek
69
dengan jumlah Pheromone yang lebih besar akan mendapat prioritas
yang lebih tinggi untuk dipilih. Setelah menentukan titik berikutnya
yang akan dituju, semut melewati edge yang menghubungkan kedua
titik dan setelah sampai, semut memperbarui jumlah Pheromone yang
terdapat pada edge yang dilewatinya itu berdasarkan persamaan (2.11).
Kemudian semut memasukkan edge dan titik yang dilewatinya itu ke
dalam tabu list-nya untuk menandakan bahwa edge dan titik tersebut
merupakan bagian dari tour mereka. Pada saat ini juga, posisi semut
telah berubah dari titik awal menjadi titik yang telah dituju dan semut
kembali memilih titik berikutnya yang akan dikunjungi. Pada saat
semua semut telah mengunjungi n-1 titik, titik berikutnya yang akan
dituju adalah titik awal dari masing-masing semut. Setiap semut akan
memilih edge yang menghubungkan antara titik yang merupakan
posisinya saat ini dengan titik awal dari masing-masing semut, lalu
memperbarui jumlah Pheromone pada edge tersebut dan memasukkan
edge dan titik awal tersebut ke dalam tabu listnya.
• Kelima, setelah semua semut menyelesaikan tour mereka, panjang tour
dari setiap semut dihitung dan dipilih yang paling pendek. Tour
terpendek yang dihasilkan ini dijadikan sebagai tour terbaik pada saat
ini lalu dibandingkan dengan tour terbaik yang telah dihasilkan
sebelumnya. Jika panjang tour terbaik saat ini lebih pendek daripada
panjang tour terbaik yang sebelumnya maka panjang tour dari semut
yang menghasilkan tour terbaik saat ini dijadikan sebagai tour terbaik
70
yang baru dan tabu list semut tersebut dimasukkan ke dalam tabu list
dari tour terbaik, kemudian dilakukan pembaruan jumlah Pheromone
pada edge-edge yang merupakan bagian dari tour terbaik tersebut
berdasarkan persamaan (2.9).
• Keenam, dilakukan tes terhadap kondisi akhir yang menandakan
proses penghentian pencarian tour terbaik. Jika benar maka tour
terbaik yang telah dihasilkan akan dicetak dan algoritma dihentikan.
Jika sebaliknya maka proses pencarian akan dilanjutkan dan tabu list
dari masing-masing semut dikosongkan kembali.
Pada algoritma ACS , ada beberapa hal penting yang perlu dicatat,
yaitu:
1. Untuk melakukan perbandingan antara tour terbaik saat ini dengan tour
terbaik sebelumnya, pertama kali yang diperlukan adalah sebuah nilai
tour terbaik awal. Nilai tour terbaik awal (Cnn) ini dapat diperoleh
dengan metode nearest neigberhoud heuristic. Hal ini bertujuan agar
pada proses pencarian tour terbaik yang pertama akan diperoleh nilai
tour terbaik yang baru.
2. Pada proses pemilihan titik berikutnya, yang didasarkan pada
persamaan (2.8), diperlukan sebuah nilai parameter q0 yang
merupakan sebuah bilangan pecahan dimana 0 ≤ q 0 ≤ 1 .
3. Setiap semut memiliki tabu list untuk menyimpan hasil tournya
masing - masing. Tabu list ini berupa panjang tour, dan koleksi edge-
edge dan titik - titik yang merupakan bagian dari tour mereka. Nilai
71
dari masing-masing tabu list ini akan dikosongkan kembali setiap kali
semut akan memulai tournya.
4. Proses pembaruan Pheromone yang didasarkan pada persamaan (2.11)
(aturan pembaruan Pheromone lokal) dipengaruhi oleh dua parameter,
yaitu ξ dan ∆τ . Nilai ξ sama dengan nilai parameter ρ (evaporasi
Pheromon) pada persamaan (2.9), sedangkan nilai ∆τ didapatkan dari
invers hasil perkalian antara panjang tour yang diperoleh melalui
penelusuran titik-titik terdekat dengan jumlah titik yang ada pada
graph tersebut. Tour yang dilakukan dengan menelusuri titik-titik
terdekat ini mengikuti aturan yang diterapkan oleh Dorigo dan
Gambardella (1997) dimana aturan ini telah terbukti dapat
menunjukkan hasil yang bagus.
5. Proses pembaruan Pheromone yang didasarkan pada persamaan (2.9)
(aturan pembaruan Pheromone global) dipengaruhi oleh dua
parameter, yaitu ρ dan ∆τ. ρ adalah parameter evaporasi Pheromone
dimana 0< ρ <1 dan nilai ∆τ diperoleh dari invers terhadap panjang
tour terbaik yang paling akhir yang ditemukan oleh semut sejak
dimulainya pencarian.
3.6.4 Perilaku Pheromone dan Hubungannya dengan Performanya
Untuk memahami mekanisme ACS digunakan secara langsung
dalam perubahan Pheromone-closeness product ([τ rs ]* [η rs ]β ) saat
perjalanan mencari tour terbaik, ditunjukkan pada gambar 3.10. Perubahan
72
nilai Pheromone ini terjadi pada setiap langkah ketika semut membangun
sebuah tour.
Ket :
Average Pheromone-
Closeness Product
: BE (Best Edges)
: TE ( Testable Edges)
: UE (Uninteresting Edges)
1 i n
Langkah
Gambar 3.10. Perubahan nilai Pheromone saat perjalanan
Pada gambar 3.10 diatas terdapat tiga kelompok edge yaitu :
(i) Edge dengan tour terbaik (BE, Best Edges).
(ii) Edge dengan tour bukan yang terbaik, tetapi masih memungkinkan
untuk menjadi edge dengan tour terbaik pada dua iterasi berikutnya
(TE, Testable Edges).
(iii) Bukan edge dengan tour terbaik ataupun yang masih memiliki peluang
untuk menjadi tour terbaik pada dua iterasi berikutnya (UE,
Unintereresting Edges).
Gambar 3.10 menunjukkan bahwa eksploitasi terbaik ACS terdapat
pada BE (BE pemilihan edge dengan probabilitas q 0 = 0,9 ) dan ekplorasi
terjadi pada edge dengan TE ( pers. (2.1) dan pers. (2.8), edge dengan nilai
Pheromone yang terbanyak mempunyai kesempatan yang lebih besar
untuk terjadinya eksplorasi) (Dorigo & Gambardella,1996).
73
Aspek menarik terjadi saat semut melewati sebuah edge, ketika
local updating rule (pers. 2.11) diaplikasikan, membuat Pheromone pada
edge berkurang dan kehilangan daya tarik, sehingga edge yang telah
dilewati tidak akan dilewati lagi oleh semut yang lainnya. Dengan kata
lain, pengaruh dari pembaruan lokal ini adalah untuk membuat tingkat
ketertarikan edge – edge yang ada berubah secara dinamis. Setiap kali
seekor semut melewati sebuah edge maka edge ini dengan segera akan
berkurang tingkat ketertarikannya (karena edge tersebut kehilangan
sejumlah Pheromone-nya), secara tidak langsung semut yang lain akan
memilih edge-edge lain yang belum dikunjungi. Konsekuensinya, semut
tidak akan memiliki kecenderungan untuk berkumpul pada jalur yang
sama. Fakta ini, yang telah diamati dengan melakukan percobaan Dorigo
dan Gambardella (1997), merupakan sifat yang diharapkan bahwa jika
semut membuat tour - tour yang berbeda maka akan terdapat kemungkinan
yang lebih tinggi dimana salah satu dari mereka akan menemukan solusi
yang lebih baik daripada jika mereka semua berkumpul dalam tour yang
sama. Dengan cara ini, semut akan membuat penggunaan informasi
Pheromone menjadi lebih baik. Tanpa pembaruan lokal, semua semut akan
mencari pada lingkungan yang sempit dari tour terbaik yang telah
ditemukan sebelumnya.
Pada observasi eksperimen yang dilakukan oleh Dorigo dan
Gambardella (1997) pada saat ACS mencapai performa terbaiknya,
Pheromone pada edge BE akan mengalami penurunan mendekati jumlah
74
Pheromone pada edge TE setelah iterasi algoritma berlangsung (lihat
gambar 3.10). Begitu pula edge pada TE juga akan mengalami penurunan
jumlah Pheromone mendekati UE. Pheromone pada keduanya yaitu BE
dan TE akan hilang sepanjang perjalanan menemukan tour terpendek baru.
3.6.5 Penetapan Parameter Algoritma ACS
Dalam setiap eksperimen yang dilakukan dengan algoritma ACS
untuk menyelesaikan TSP, parameter yang digunakan untuk mencapai
solusi yang lebih mendekati optimal adalah masing-masing mempunyai
nilai sebagai berikut : β = 2 sampai 5 , q 0 = 0,9 , ξ = ρ = 0,1 , dan τ 0
yang dihitung sebagai berikut :
1
τ0 = . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . . . . (3.9)
(
nC nn )
metode nearest neighbourhood heuristic dan n adalah jumlah titik yang
ada pada masalah. Penetapan parameter diatas bisa berubah sesuai dengan
besarnya masalah yang dihadapi kecuali untuk nilai τ 0 , yang dihitung
seperti pada persamaan 3.9. Jumlah semut yang digunakan untuk
mendapatkan hasil terbaik pada ACS yaitu m = 10. Penempatan semut
pertama pada awal algoritma yaitu dengan menempatkan semut secara
acak pada setiap titik dan setiap titik hanya ditempati satu semut saja.
75
3.7 Perbandingan Algoritma – Algoritma ACO
3.7.1 Kelebihan Algoritma ACO berdasarkan kinerjanya
Beberapa kelebihan yang dimiliki masing – masing algoritma ACO
dalam menemukan solusi berdasarkan kinerjanya ditunjukkan sebagai
berikut :
1) Kelebihan – kelebihan AS adalah sebagai berikut :
• Di dalam cakupan parameter keoptimalan, algoritma ini selalu
menemukan solusi yang mendekati optimal untuk semua
permasalahan yang mempunyai jumlah titik sedikit.
• Algoritma ini dengan cepat menemukan solusi yang bagus,
meskipun demikian ia tidak memperlihatkan perilaku stagnasi,
maksudnya semut terus mencari kemungkinan adanya tour baru
yang lebih baik.
2) Kelebihan – kelebihan EAS adalah sebagai berikut :
• Jumlah iterasi yang dilakukan lebih sedikit, hal ini karena edge –
edge pada tour terbaik mendapatkan penambahan Pheromone
lebih banyak dan menyebabkan ruang pencarian lebih sempit.
• Ruang pencarian solusi lebih sempit, sehingga lebih cepat dalam
menemukan solusi. Walaupun ruang pencarian lebih sempit
tetapi EAS tidak memperlihatkan terjadinya stagnasi, maksudnya
semut terus mencari kemungkinan adanya tour baru yang lebih
baik.
76
3) Kelebihan – kelebihan ASRank adalah sebagai berikut :
• Algoritma ini menggunakan sistem peringkat dalam update
Pheromone-nya, sehingga akan mempermudah semut dalam
menentukan sebuah tournya.
• Semut lebih cepat menemukan solusi karena edge – edge yang
merupakan bagian tour terpendek memiliki jumlah Pheromone
lebih banyak, hal ini karena semut lebih menyukai edge yang
pendek dan mempunyai jumlah Pheromone yang lebih banyak
untuk dipilih.
4) Kelebihan – kelebihan MMAS adalah sebagai berikut :
• Adanya batas nilai Pheromone membuat pencarian tidak
mengalami stagnasi dan bisa lebih fokus.
• Penginisialisasian kembali membuat performa algoritma menjadi
lebih baik. Pada jumlah titik masalah yang besar akan membuat
pencarian solusi lebih mudah dan tidak menimbulkan stagnasi.
Karena, pada waktu terjadi stagnasi maka akan dilakukan
inisialisasi kembali.
5) Kelebihan – kelebihan ACS adalah sebagai berikut :
• Aturan transisi status pada sistem ini memberikan suatu cara
langsung untuk menyeimbangkan antara penjelajahan
77
(exploration) edge-edge yang baru dengan eksploitasi
(exploitation) (pers. 2.8 dan 2.1).
• Aturan pembaruan Pheromone global hanya dilakukan pada
edge-edge yang merupakan bagian dari tour terbaik, sehingga
semut akan lebih mudah dalam menentukan titik selanjutnya.
• Disaat semut-semut membangun sebuah tour, diterapkan suatu
aturan pembaruan Pheromone lokal (local Pheromone updating
rule). Sehingga membuat Pheromone pada edge berkurang dan
kehilangan daya tarik, dengan demikian edge yang telah dilewati
tidak akan dilewati lagi oleh semut yang lainnya. Hal ini
menyebabkan semut mencari edge baru yang lebih pendek atau
edge yang banyak dikunjungi semut dengan jumlah Pheromone
yang banyak.
3.7.2 Perbedaan Algoritma-algoritma ACO Berdasarkan Cara Kerjanya
Berdasarkan pembahasan dari beberapa algoritma ACO, maka
diperoleh perbedaan dari cara kerjanya. Berikut diberikan perbedaan cara
kerja yang ada pada masing – masing algoritma ACO, yang ditunjukkan
pada tabel 3.8 dibawah ini :
78
Tabel 3.4 Perbedaan cara kerja pada algoritma-algoritma ACO
Algoritma Konstruksi Tour Evaporasi Update Pheromone
AS Random Proportional Rule Semua edge dengan faktor Menambahkan Pheromone pada semua edge yang dikunjungi
konstan ρ terendah. semut.
EAS Random Proportional Rule Semua edge dengan faktor Menambahkan Pheromone pada semua edge yang dikunjungi
konstan ρ terendah. semut, menambahkan Pheromone pada edge-edge yang
merupakan bagian dari tour terbaik (jarak terpendek).
AS Rank Random Proportional Rule Semua edge dengan faktor Mengelompokkan semut berdasarkan panjang pendek tournya
konstan ρ terendah. (peringkat); menambahkan Pheromone pada edge-edge yang
dikunjungi semut dan sesuai dengan rank dari setiap semut.
MMAS Random Proportional Rule Semua edge dengan faktor Pheromone bisa ditambahkan pada edge – edge yang
konstan ρ terendah. merupakan bagian dari best tour yang ditemukan sejak awal
algoritma (best so-far tour) atau pada egde-edge yang
merupakan bagian best tour yang ditemukan pada setiap
iterasi(iteration best-tour). Penambahan Pheromone boleh
juga ditambahkan pada keduanya. Terdapat interval
penambahan intensitas Pheromone sebesar [τ min ,τ max ] .
ACS Pseudorandom Proportional Rule Hanya pada edge – edge yang Hanya menambahkan Pheromone pada edge – edge yang
merupakan bagian dari best- merupakan bagian dari tour terbaik yang ditemukan sejak
so-far tour yang terlemah awal algoritma dijalankan.
79
3.7.3 Parameter Terbaik pada Setiap Algoritma ACO
Menurut eksperimen yang telah dilakukan pada algoritma –
algoritma ACO untuk TSP, maka diperoleh penetapan parameter yang bisa
menghasilkan performa terbaik dari tiap-tiap algoritma tersebut. Pada tabel
3.5 berikut adalah Penetapan parameter terbaik yang dihasilkan dari
algoritma-algoritma ACO.
Tabel 3.5. Penetapan parameter terbaik algoritma ACO untuk TSP
Algoritma ACO α β ρ m τ0
m
AS 1 2 sampai 5 0,5 n
C nn
(e + m )
EAS 1 2 sampai 5 0,5 n
ρC nn
0,5 z (z − 1)
AS Rank 1 2 sampai 5 0,1 n
ρC nn
1
MMAS 1 2 sampai 5 0,02 n
ρC nn
1
ACS - 2 sampai 5 0,1 10
nC nn
Dimana n adalah jumlah titik dalam TSP, m adalah jumlah semut
dalam algoritma. Untuk semua algoritma kecuali algoritma AS ada
penambahan parameter. Berikut nilai terbaik untuk parameter pada
algoritma variasi AS :
EAS : parameter e = n.
AS Rank : Parameter yang menyatakan adanya tour terbaik, w = 6.
80
1
MMAS : Batas nilai Pheromone adalah τ max = dan
ρC bs
τ min =
(
τ max 1 − n ρ best ) dengan nilai ρ
((avg − 1) n ρ best ) best = 0,05.
ACS : Dalam Local Pheromone Update nilai ξ = 0,1 . Dan didalam
pseudorandom proportional rule nilai q 0 = 0,9 .
Penetapan parameter diatas mungkin saja tidak berlaku pada
beberapa kasus dan eksperimen yang berbeda, bisa saja diperoleh
penetapan parameter berbeda yang bisa menghasilkan performa yang lebih
baik.
3.7.4 Perbandingan hasil algoritma ACO pada beberapa kasus
• Perbandingan AS, EAS dan ASRank pada beberapa kasus
Untuk mengetahui hasil terbaik yang diperoleh pada masing –
masing algoritma (AS, EAS dan ASRank), maka diberikan hasil percobaan
Bullnheimer, B., Hartl, R. F., dan Strauss, C., (1997) pada tabel 3.6.
Dengan parameter – parameter yang digunakan seperti pada tabel 3.5,
kecuali pada ASRank dengan nilai ρ = 0,5 dan w = 6 semut terbaik yang
boleh meng-update Pheromone-nya. Dalam percobaan ini dilakukan pada
kasus dengan jumlah titik yang bervariasi yaitu 30 titik, 57 titik, 80 titik,
96 titik, dan 132 titik. Untuk nilai error (selisih relatif antara solusi terbaik
yang dihasilkan algoritma dengan solusi optimal yang diperoleh dari
metode nearest neighbourhood heuristic) dihitung sebagai berikut :
81
solusi terbaik − optimal
error = x100% . . . . . . . . . . . . . . . (3.10).
optimal
Tabel 3.6. Perbandingan hasil perhitungan AS, EAS dan ASRank
Algoritma Solusi Error Solusi Error Solusi Error

rata-rata (%) terbaik (%) terjelek (%)
n = 30 Optimal = 423,74 t = 30dtk
AS 426,24 0,59 423,91 0,04 431,29 1,78
EAS 426,08 0,55 423,74 0,00 438,438,38 3,46
ASRank 425,72 0,47 423,74 0,00 431,29 1,78
n = 57 Optimal = 920,08 t = 50dtk
AS 930,86 1,17 924,20 0,45 932,85 1,39
EAS 928,00 0,86 920,08 0,00 934,68 1,59
ASRank 926,91 0,74 920,08 0,00 934,70 1,59
n = 80 Optimal = 370,97 t = 60dtk
AS 380,19 2,49 373,36 0,64 383,03 3,25
EAS 374,44 0,94 370,97 0,00 381,85 2,93
ASRank 373,74 0,75 370,97 0,00 376,84 1,58
n = 96 optimal = 1041,67 t = 80dtk
AS 1068,85 2,61 1053,26 1,11 1080,66 3,74
EAS 1055,14 1,29 1045,98 0,41 1067,93 2,52
ASRank 1055,00 1,28 1043,70 0,19 1065,20 2,26
n = 132 Optimal = 1528,78 t = 120dtk
AS 1568,02 2,57 1544,30 1,02 1587,63 3,85
EAS 1558,15 1,92 1537,73 0,59 1587,27 3,83
ASRank 1556,65 1,82 1533,54 0,31 1587,67 3,85
Dari tabel 3.6 dapat diketahui bahwa performa algoritma EAS dan
ASRank lebih baik dibandingkan dengan AS. Pada kasus 30 titik hanya AS
yang memperoleh hasil kurang optimal dengan error 0,04 %, begitu pula
82
pada kasus 57 titik dan 80 titik masing – masing memiliki error 0,45 %
dan 0,64 %. Sedangkan EAS dan ASRank mampu memperoleh hasil yang
optimal.
Pada kasus yang lebih besar (96 titik dan 132 titik) dari ketiga
algoritma tersebut tidak ada yang mencapai optimal. Tetapi, performa
EAS dan ASRank jauh lebih baik dibandingkan dengan AS. Pada kedua
kasus (96 titik dan 132 titik) tersebut, EAS dan ASRank memiliki error
kurang dari 1 % sedangkan AS lebih dari 1 %. Perfoma terbaik
ditunjukkan oleh ASRank dengan error paling sedikit yaitu 0,19 % untuk
kasus 96 titik dan 0,31 % untuk 132 titik.
Secara keseluruhan algoritma AS mempunyai performa yang lebih
jelek dibandingkan dengan EAS dan ASRank. Untuk performa terbaik
ditunjukkan oleh ASRank pada semua kasus, sedangkan EAS lebih baik dari
AS pada semua kasus.
• Perbandingan MMAS, dan ACS pada beberapa kasus
Untuk mengetahui hasil optimal yang diperoleh pada masing –
masing algoritma (MMAS, dan ACS), maka diberikan hasil percobaan
Stu¨ tzle, T., dan Hoos, H. H. (1997) untuk algoritma MMAS sedangkan
percobaan Dorigo, M., dan Gambardella, L. M. (1997) untuk algoritma
ACS pada tabel 3.7. Dengan parameter – parameter yang digunakan
seperti pada tabel 3.5. Dalam percobaan ini dilakukan pada kasus dengan
jumlah titik yang bervariasi yaitu eil51 (51 titik), kroA100 (100 titik),
83
d198 (198 titik), att532 (532 titik), dan rat783 (783 titik), dengan nilai
error-nya dihitung menggunakan persamaan 3.10.
Pada tabel 3.7 dapat ditunjukkan bahwa ACS dan MMAS
mempunyai hasil yang optimal pada dua kasus, yaitu eil51 dan kroA100.
Sedangkan pada kasus d198 ACS mempunyai hasil yang lebih baik
daripada MMAS dengan error 0,68 %, sedangkan pada MMAS
mempunyai error 1,01 % dari nilai optimal yang diketahui. Untuk dua
kasus dengan tipe besar (att532 dan rat783) menunjukkan hasil yang
sebaliknya, yaitu MMAS mempunyai hasil yang lebih baik daripada ACS.
Masing – masing dengan error 1,03 % dan 1,29 % untuk MMAS,
sedangkan pada ACS mempunyai error 1,67 % dan 2,37 %.
Tabel 3.7. Perbandingan hasil perhitungan MMAS dan ACS
Kasus MMAS ACS Optimal

Hasil terbaik Error (%) Hasil terbaik Error (%)
eil51 426 0.00 426 0.00 426
kroA100 21282 0.00 21282 0.00 21282
d198 15940 1.01 15888 0.68 15780
att532 27971 1.03 28147 1.67 27686
rat783 8920 1.29 9015 2.37 8,806
Dari hasil yang diperoleh diatas, maka dapat disimpulkan bahwa
ACS dan MMAS sama – sama mempunyai hasil yang optimal untuk
masalah bertipe kecil. Sedangkan untuk masalah bertipe sedang ACS lebih
baik daripada MMAS. Untuk masalah bertipe besar algoritma MMAS
menghasilkan penyelesaian lebih baik daripada ACS.
84
3.7.5 Perbandingan Algoritma ACO Berdasarkan Jumlah Iterasi
Untuk mengetahui algoritma yang mempunyai jumlah iterasi
paling efektif dibandingkan algoritma yang lainnya, maka diberikan hasil
percobaan Dorigo, M., dan Stu¨tzle, T. ( 2004) pada gambar 3.5. Pada
gambar 3.5 kasus yang digunakan adalah kasus TSP simetri kroA100 (100
titik), dengan parameter – parameter yang digunakan seperti pada tabel
3.5, kecuali untuk nilai β , yaitu dengan nilai β = 2 untuk semua
algoritma. Untuk data selengkapnya dapat dilihat pada lampiran 1.
80
% Deviation Terhadap Tour Optimal
70
60
AS
50
EAS
40 ASrank
MMAS
30
ACS
20
10
0
1 5 10 50 100 500 1000 5000 10000
Jumlah Iterasi
Gambar 3.11. Grafik performa algoritma ACO berdasarkan jumlah iterasi
dan deviasi (error) terhadap tour optimal pada masalah kroA100
(100 titik).
Gambar 3.11 dapat ditunjukkan bahwa algoritma ACS mempunyai
hasil yang lebih baik dibandingkan algoritma yang lain dengan jumlah
iterasi yang sedikit (sampai iterasi ke-50an). Pada iterasi ke 500 dan
seterusnya algoritma ACS juga mempunyai performa yang lebih baik
85
dibandingkan algoritma yang lain, kecuali dengan algoritma ASRank.
Algoritma ASRank pada awal iterasi memiliki kecendrungan hasil yang
kurang bagus dibandingkan algoritma yang lain. Tetapi, mulai pada iterasi
ke-75 algoritma ASRank lebih baik dibandingkan dengan MMAS, begitu
pula pada iterasi ke-250 algoritma ASRank lebih baik daripada AS. Pada
iterasi ke-500 algoritma ASRank jauh lebih baik dibandingkan algoritma
yang lain. Dengan kata lain, semakin besar jumlah iterasi yang diberikan
pada algoritma ASRank akan memberikan hasil yang lebih baik
dibandingkan keempat algoritma yang lain.
Algoritma AS juga memiliki kecendrungan hasil yang kurang
bagus dengan jumlah iterasi yang sedikit. Algoritma AS memiliki hasil
yang lebih baik dibandingkan dengan AS dan ASRank pada iterasi ke-10
sampai iterasi ke-250. Selanjutnya, dengan iterasi yang lebih besar dari
250, algoritma AS mempunyai hasil yang paling jelek dibandingkan
dengan keempat algoritma yang lain. Seperti halnya AS dan ASRank,
algoritma MMAS juga memiliki kecendrungan hasil yang kurang bagus
dengan jumlah iterasi yang sedikit, MMAS sedikit lebih baik dibandingkan
dengan ASRank hanya sampai dengan iterasi ke-60. setelah itu, sampai
sekitar iterasi ke-400an MMAS mempunyai hasil yang paling jelek
dibandingkan keempat algoritma yang lainnya. Mulai iterasi ke-450,
MMAS lebih baik daripada AS dan sedikit lebih baik daripada EAS mulai
iterasi ke-850an.
86
Sama halnya dengan ketiga algoritma yang lainnya (AS, ASRank,
MMAS), algoritma EAS juga memiliki kecendrungan hasil yang kurang
bagus pada awal – awal iterasi. Tetapi, mulai iterasi ke-10 algoritma EAS
mempunyai hasil penyelesaian yang lebih baik dibandingkan ketiga
algoritma tersebut (AS, ASRank, MMAS). Bahkan, algoritma EAS
mempunyai hasil yang paling bagus dibandingkan keempat algoritma
yang lainnya pada iterasi ke-50 sampai iterasi ke-350an. Setelah itu,
algoritma EAS hanya lebih baik daripada algoritma AS saja. Tetapi,
algoritma EAS hanya kurang bagus dibandingkan algoritma ACS dan
MMAS pada jumlah iterasi yang besar.
Secara umum dapat dikatakan, hanya algoritma AS yang memiliki
performa kurang bagus dibadingkan algoritma yang lainnya untuk jumlah
iterasi berapapun. Sedangkan, hasil yang paling optimal diperoleh
algoritma ASRank dengan jumlah iterasi yang besar dan pada saat jumlah
iterasi sedikit hanya algoritma ACS yang mempunyai hasil paling bagus.
3.7.6 Perbandingan Algoritma ACO Berdasarkan Waktu CPU
Untuk mengetahui algoritma yang mempunyai waktu paling efektif
dalam menyelesaikan suatu kasus dibandingkan algoritma yang lainnya
maka, diberikan hasil percobaan Dorigo, M., dan Stu¨tzle, T. ( 2004) pada
gambar 3.12 dan gambar 3.13. Pada gambar 3.12 kasus yang digunakan
adalah kasus TSP simetri d198 (198 titik), dengan parameter – parameter
yang digunakan seperti pada tabel 3.5, kecuali untuk nilai β , yaitu dengan
87
nilai β = 5 untuk semua algoritma. Dengan batas waktu maksimum yang
ditentukan adalah 1000 detik. Untuk data selengkapnya dapat dilihat pada
lampiran 2.
25
AS
20
EAS
15 ASrank
MMAS
10 ACS
0
0.1 0.5 1 5 10 50 100 500 1000
Waktu CPU ( detik)
Gambar 3.12. Grafik performa algoritma ACO berdasarkan waktu CPU pada
kasus d198 (198 titik).
Dari gambar 3.12 diatas dapat ditunjukkan bahwa performa ACS
lebih baik dibandingkan keempat algoritma yang lainnya pada waktu –
waktu awal, hal ini terjadi sampai sekitar detik ke-2. Setelah itu, sampai
sekitar detik ke-50 algoritma ACS hanya kurang bagus dari algoritma
ASRank . Pada sekitar detik ke-60-an dan seterusnya Algoritma ACS hanya
lebih baik dari algoritma AS dan EAS saja, sedangkan MMAS dan ASRank
lebih baik daripada ACS. Algoritma ASRank mempunyai performa yang
lebih baik dibandingkan algoritma yang lainnya kecuali dari algoritma
ACS, hal ini terjadi hanya pada sekitar 2 detik awal saja. Algoritma ASRank
juga lebih baik daripada algoritma yang lainnya pada sekitar detik ke-95
sampai waktu maksimal yang ditentukan, kecuali dari algoritma MMAS.
88
Algoritma EAS mempunyai performa yang lebih baik hanya
dengan algoritma AS saja. Sedangkan dengan algoritma MMAS, performa
EAS lebih baik hanya sampai sekitar mendekati detik ke-50. setelah itu
performa algoritma MMAS lebih baik dibandingkan dengan EAS.
Sementara algoritma AS mempunyai performa yang lebih baik
dibandingkan dengan algoritma MMAS sekitar 20 detik awal, setelah itu
performa algoritma AS tidak lebih baik dari keempat algoritma yang
lainnya. Algoritma MMAS mempunyai performa yang kurang baik
dibandingkan dengan algoritma lainnya hanya pada sekitar 20 detik awal
saja. Algoritma MMAS mempunyai performa yang paling baik
dibandingkan dengan keempat algoritma yang lainnya pada sekitar detik
ke-100 sampai waktu maksimum yang ditentukan.
Pada kasus d198 ini, hanya algoritma AS yang menunjukkan
performa kurang bagus sejak detik pertama sampai batas waktu
maksimum yang ditentukan. Sedangkan performa yang stabil ditunjukkan
oleh algoritma ACS, walau pada akhir waktu algoritma ACS mempunyai
hasil yang kurang bagus dibandingkan dengan algoritma MMAS dan
ASRank. Sedangkan performa kurang stabil ditunjukkan oleh algoritma
MMAS, pada detik – detik awal performanya kurang baik dibandingkan
yang lainnya, tetapi pada akhir waktu performanya menjadi yang terbaik.
Pada gambar 3.13 kasus yang digunakan adalah kasus TSP simetri
rat783 (783 titik), dengan parameter – parameter yang digunakan seperti
pada tabel 3.5, kecuali untuk nilai β , yaitu dengan nilai β = 5 untuk
89
semua algoritma. Dengan batas waktu maksimum yang ditentukan adalah
10000 detik. Untuk data selengkapnya dapat dilihat pada lampiran 3.

35
30
25 AS
EAS
20
ASrank
15
MMAS
10 ACS
5
0
0
00
00
0
1
10
50
00
10
50
10
50
10
Waktu CPU (detik)
Gambar 3.13. Grafik performa algoritma ACO berdasarkan waktu CPU
pada kasus rat783 (783 titik)
Pada gambar 3.13 diatas, sebenarnya performa dari kelima
algoritma hampir sama dengan kasus pada gambar 3.12 (kasus d198).
Tetapi, pada kasus rat783 ini performa algoritma ACS menjadi paling
bagus dari awal waktu sampai waktu maksimum yang ditentukan, hanya
pada waktu terakhir performa ACS kurang bagus dibandingkan dengan
performa MMAS. Performa kurang stabil tetap diperlihatkan oleh
algoritma MMAS, pada awal waktu memiliki performa kurang baik tetapi
pada akhir waktu mempunyai performa yang terbaik dibandingkan dengan
algoritma yang lainnya. Pada algoritma AS, pada awal waktu mempunyai
performa kurang bagus hanya dibandingkan dengan algoritma ACS saja.
90
Tetapi, semakin lama algoritma ini mempunyai performa kurang baik
dibandingkan berturut – turut dengan algoritma EAS, ASRank, dan pada
akhirnya menjadi algoritma yang mempunyai performa yang kurang bagus
dibandingkan dengan keempat algoritma lainnya.
Pada algoritma EAS, pada awalnya mempunyai performa yang
lebih baik daripada MMAS dan ASRank, tetapi pada akhir waktu hanya
lebih baik dibandingkan dengan AS. Sedangkan pada algoritma ASRank,
pada awalnya performanya hanya lebih baik daripada MMAS saja, tetapi
pada akhir waktu mempunyai performa yang lebih baik dibandingkan
dengan AS dan EAS. Algoritma ASRank, mempunyai performa yang kurang
baik dibandingkan dengan ACS dan MMAS pada akhir waktu yang
ditentukan.
Dari kedua kasus yang ada, dapat dikatakan bahwa tidak ada
algoritma yang mempunyai performa sama baik untuk dua kasus yang
berukuran berbeda. Untuk masing – masing algoritma mempunyai waktu
yang tidak sama untuk mencapai hasil terbaiknya. Tetapi, dari kedua
kasus yang telah dibahas dapat dikatakan bahwa waktu sangat berpengaruh
terhadap performa yang dihasilkan oleh setiap algoritma. Dengan kata lain,
semakin lama waktu untuk menyelesaikan masalah tersebut, maka
performa yang dihasilkan oleh setiap algoritma juga meningkat dengan
sendirinya.
91
3.7.7 Hasil Simulasi Algoritma ACO
Untuk menyelesaikan permasalahan TSP simetri dengan
menerapkan algoritma ACO (AS, EAS, ASRank, MMAS, dan ACS),
digunakan software package ACOTSP version 1.0. yang dikembangkan
oleh Thomas St¨utzle (http://www.aco-metaheuristic.org/aco-code).
Software ini dibuat dengan program ANSI C dalam system operasi Linux,
menggunakan GNU 2.95.3 gcc compiler. Dalam tugas akhir ini, system
operasi linux dijalankan dalam system operasi windows.
Dalam software ini, penempatan semut dilakukan secara acak dan
bilangan random yang dibangkitkan tidak sama sehingga hasil yang
diperoleh untuk setiap percobaan tidak sama, walaupun dalam kasus dan
parameter yang sama. Untuk mendapatkan hasil yang terbaik, maka
eksperimen dilakukan dalam 10 kali percobaan dengan setiap percobaan
waktu yang digunakan yaitu 120 detik. Hasil terbaik dari 10 kali
percobaan inilah yang diambil sebagai hasil yang terbaik. Dalam tugas
akhir ini kasus yang diselesaikan bersumber dari TSPLIB (Traveling
Salesman Problem Library) (http://elib.zib.de/pub/Packages/mp-
testdata/tsp/tsplib/tsplib.html) dan kasus yang dibuat sendiri dengan input
pada program berupa titik koordinat (lampiran 4). Parameter – parameter
yang digunakan yaitu parameter pada tabel 3.5 untuk semua algoritma
kecuali MMAS untuk nilai ρ = 0,5 dan nilai β = 5 untuk semua
algoritma.
92
• Hasil simulasi Algoritma ACO dengan kasus bersumber dari TSPLIB
Kasus yang diselesaikan dengan sumber dari TSPLIB yaitu :
ulysses22, eil51, eil76, kroA100, d198, lin318, d493, p654, u724, dan
rat783. Berikut hasil yang diperoleh dari penyelesaian kasus – kasus diatas
dengan algoritma ACO yang ditunjukkan dalam tabel 3.8 :
93
Tabel 3.8. Perbandingan hasil perhitungan AS, EAS, ASRank, MMAS dan ACS
AS EAS ASRank MMAS ACS
Kasus N Best Tour Waktu Best Tour Waktu Best Tour Waktu Best Tour Waktu Best Tour Waktu
(mil) (dtk) (mil) (dtk) (mil) (dtk) (mil) (dtk) (mil) (dtk)
ulysses22 22 7.046 25,95 7.013 26,28 7.013 25,25 7.013 2,00 7.013 35,83
eil51 51 438 20,86 427 0,83 426 0,83 426 0,14 426 4,52
eil76 76 550 51,41 541 7,17 539 4,36 538 78,74 538 15,25
kroA100 100 22.821 8,6 21.655 78,30 21.417 10,14 21.282 76,55 21.308 67,53
d198 198 17.076 15,51 16.470 47,94 16.140 38,30 16.135 107,93 16.032 71,35
lim318 318 45.879 119,04 43.678 107,64 42.908 109,09 42.783 115,73 42.694 98,69
d493 493 39.553 32,16 38.667 104,09 38.272 120,22 37.138 119,66 37.666 110,09
p654 654 39.957 25,78 38.432 76,37 38.368 99,54 37.902 121,66 36.548 111,57
u724 724 48.289 55,15 47.567 117,49 46.844 122,52 46.115 115,69 43.831 119,73
rat783 783 10.312 54,49 10.098 105,40 10.262 10,262 9.955 122,86 9.705 116,15
Keterangan tabel :
N : menyatakan jumlah titik pada setiap kasus.
Best Tour : menyatakan total jarak minimal yang dilalui semut dalam satuan mil.
Waktu : waktu CPU (CPU time) yang diperlukan untuk proses perhitungan setiap kasus dalam satuan detik.
Cetak tebal : hasil tour yang terbaik diantara kelima algoritma diatas.
94
Hasil simulasi yang ditunjukkan oleh tabel 3.8 diatas, dapat
diketahui bahwa performa hasil yang paling jelek untuk semua kasus
dimiliki oleh AS. Performa hasil yang terbaik dimiliki oleh ACS,
walaupun pada kasus kroA100 dan d493 performanya kurang bagus
dibandingkan dengan MMAS. Untuk algoritma EAS memiliki performa
yang lebih bagus hanya bila dibandingkan dengan AS saja, tetapi pada
kasus rat783 performa EAS lebih baik dibandingkan dengan ASRank.
Algoritma ASRank memiliki performa yang kurang bagus dibandingkan
dengan MMAS dan ACS, tetapi lebih baik daripada AS dan EAS. ASRank
memiliki performa yang kurang bagus pada kasus terbesar rat783 bila
dibandingkan dengan EAS. Algoritma MMAS memiliki performa lebih
baik bila dibandingkan dengan AS, EAS, dan ASRank, tetapi kurang bagus
bila dibandingkan dengan ACS.
Pada tipe kasus terkecil yaitu kasus ulysses22 hampir semua
algoritma memiliki penyelesaian yang sama bagus, kecuali algoritma AS
yang paling jelek dengan jarak tour yang dihasilkan yaitu 7.046 mil. Untuk
kasus eil51 hanya algoritma AS dan EAS yang hasilnya kurang bagus,
sedangkan ketiga algoritma yang lain memiliki penyelesaian yang sama
bagus yaitu 426 mil. Kasus eil76 hanya MMAS dan ACS yang memiliki
penyelesaian paling baik yaitu 538 mil, sedangakan untuk kasus kroA100
dan d493 hanya MMAS yang memiliki penyelesaian yang terbaik masing –
masing sebesar 21.282 mil dan 37.138 mil. Untuk kasus yang lainnya
hanya algoritma ACS yang memiliki penyelesaian terbaik.
95
Dari hasil simulasi diatas tidak berbeda jauh dengan hasil yang
dibahas pada subbab 3.7.4, sehingga dapat dikatakan bahwa hanya
algoritma AS yang memiliki performa yang paling jelek sedangkan yang
terbaik algoritma ACS. Tetapi, pada beberapa kasus ACS belum tentu
memiliki performa yang terbaik begitu pula dengan algoritma yang lainnya
belum tentu jadi yang terjelek. Setiap algoritma dipengaruhi oleh beberapa
faktor tertentu sehingga hasil yang diperoleh akan berbeda pada tiap kasus
yang diselesaikan.
• Hasil Simulasi Algoritma ACO dengan Kasus lain (dibuat sendiri)
Untuk lebih mendalami algoritma ACO, maka diberikan hasil
penghitungan kasus yang dibuat sendiri mulai dari jumlah titik terendah
yaitu 20 titik sampai 115 titik (data selengkapnya lihat lampiran 4).
Percobaan dilakukan dalam waktu 10 detik untuk tiap algoritma yang
dilakukan berulang kali hingga menemukan hasil yang terbaik. Berikut
hasil penghitungan algoritma ACO yang ditunjukkan pada tabel 3.9
96
Tabel 3.9. Perbandingan hasil perhitungan Algoritma ACO
AS EAS ASRank MMAS ACS

N Best Wkt Itr Best Wkt Itr Best Wkt Itr Best Wkt Itr Best Wkt Itr
(mil) (dtk) (mil) (dtk) (mil) (dtk) (mil) (dtk) (mil) (dtk)
20 251 0.010 134 251 0.000 425 251 0.000 15 251 0.000 10 251 0.000 15
25 301 0.010 644 301 0.090 3953 301 0.000 26 301 0.000 50 301 0.000 9
30 322 0.370 7033 322 0.000 3 322 0.000 28 322 0.000 27 322 0.010 1366
35 362 4.840 88919 362 0.010 28 362 0.010 47 362 0.090 341 362 0.000 181
40 413 1.730 18989 413 0.800 7573 413 0.010 46 413 0.020 102 413 0.020 277
45 435 8.120 80813 434 0.010 308 433 0.000 40 426 1.330 3806 426 1.160 23495
50 458 1.560 8468 453 0.120 1521 453 0.030 61 451 0.420 1566 451 0.160 1138
55 483 2.910 18871 476 0.790 4114 476 0.020 58 476 0.310 759 476 2.910 53498
60 501 9.910 46685 491 7.340 65018 490 0.110 194 485 0.430 1447 485 7.640 54369
65 550 1.890 9733 537 0.770 4559 542 0.070 102 535 1.840 2184 535 4.700 31615
70 583 2.960 12961 564 6.790 43233 563 0.150 103 562 8.760 9413 562 5.710 95052
75 599 1.520 4946 582 0.510 1991 580 0.110 132 571 0.750 1553 571 2.330 17357
80 607 3.880 7836 595 4.570 11053 588 0.200 200 583 3.230 2699 583 0.420 1989
85 619 1.660 4259 596 3.020 11312 596 0.170 138 592 5.040 2925 592 2.260 14665
90 640 7.080 22355 623 8.530 22623 619 0.060 63 614 1.810 1397 611 0.830 4097
97
95 652 4.470 3631 625 3.430 8127 621 0.410 144 620 4.400 2479 620 0.710 3845
100 668 5.980 3599 631 3.260 11265 631 0.090 80 628 9.860 10318 628 9.780 65785
105 675 4.890 2713 654 9.950 25266 640 0.120 96 636 7.130 7837 635 0.110 2364
110 705 8.500 4416 670 0.770 1674 669 0.130 117 664 1.360 696 663 2.010 8717
115 742 8.890 5957 709 0.880 913 709 0.240 148 704 0.900 462 704 2.920 10381
Keterangan tabel :
N : menyatakan jumlah titik pada setiap kasus.
Best : menyatakan total jarak minimal yang dilalui semut dalam satuan mil.
Wkt : waktu CPU (CPU time) yang diperlukan untuk proses perhitungan setiap kasus dalam satuan detik.
Itr : jumlah iterasi yang diperlukan untuk proses penghitungan setiap kasus untuk mencapai tour terbaik.
Cetak tebal : hasil tour yang terbaik diantara kelima algoritma diatas.
82
98
Hasil simulasi yang ditunjukkan oleh tabel 3.9 diatas, dapat
diketahui bahwa performa terbaik dimiliki oleh Algoritma ACS dan yang
terjelek algoritma AS. Pada kasus – kasus yang mempunyai jumlah titik
kecil mulai dari 20 titik sampai 40 titik semua algoritma mempunyai
penyelesaian yang sama baiknya. Untuk kasus 55 titik hanya algoritma AS
yang mempunyai hasil terjelek dengan tour terbaiknya 483 mil sedangkan
algoritma lainnya mempunyai penyelesaian yang sama bagus yaitu 476
mil. Sedangkan kasus lainnya hanya algoritma MMAS dan ACS yang
mempunyai penyelesaian terbaik. Secara umum algoritma MMAS
mempunyai peyelesaian sama bagus dengan algoritma ACS, kecuali untuk
kasus 90 titik, 105 titik, dan 110 titik. Performa algoritma EAS lebih baik
dari AS, tetapi lebih jelek daripada algoritma ASRank, MMAS dan ACS.
Kecuali untuk kasus 50 titik algoritma EAS lebih baik daripada ASRank.
Algoritma ASRank mempunyai performa yang lebih baik daripada AS dan
EAS tetapi lebih jelek daripada MMAS dan ACS.
Hasil yang diperoleh pada penghitungan kasus diatas secara umum
hampir sama dengan hasil yang diperoleh pada kasus TSPLIB. Algoritma
ACS mempunyai performa paling bagus dibandingkan dengan algoritma
lainnya, sedangkan algoritma AS mempunyai performa paling jelek
dibandingkan dengan yang lainnya.
Dari hasil simulasi yang diperoleh pada tabel 3.8 dan tabel 3.9,
dapat diambil kesimpulan bahwa tidak ada hubungan antara waktu dan
banyaknya titik yang diselesaikan. Hal ini disebabkan setiap algoritma
99
dalam
m mencari tour terbaikknya mengguunakan jum
mlah semut yang
y sama
deng
gan jumlah titik masalaah (kecuali algoritma A
ACS dengann 10 semut
saja), sehingga ada

a semut yaang bisa meenemukan tour tebaik daalam waktu
g cepat dan ada yang memerlukann waktu yaang lama. Begitu

yang B pula
jumlah iterasi yang diperlukan dalam

m mencapaai hasil terb
baik tidak
tergaantung padaa jumlah tittik yang disselesaikan, tetapi tergaantung dari
wakttu yang dipeerlukan untuuk mencapaii hasil tour tterbaik. Sem

makin cepat
wakttu yang dip

perlukan unttuk mencapai tour terppendek makka semakin
sedikkit jumlah iteerasi yang diiperlukan beegitu pula sebbaliknya.
G
Gambar 3.14. Grafik
G performma algoritmaa ACO berdassarkan jumlahh
i
iterasi pada kaasus 100 titik
k.
Gambar 3.14
3 merperllihatkan perfforma algoriitma ACO berdasarkan
b
jumlaah iterasi, hasil simulasi yang dilakkukan pada kkasus 100 tiitik. Secara
umum
m hasil yangg diperoleh pada
p simulassi hampir sam
ma dengan eksperimen
e
yangg dilakukan oleh

o Dorigo,, M.,.& Stu¨¨tzle, T. ( 20004) pada gaambar 3.11,
algorritma ACS memiliki

m perrforma terbaiik pada jumllah iterasi yaang sedikit,
100
sedan
ngkan algorritma AS mempunyai performa
p yanng kurang bagus
b pada
jumlaah iterasi berapapun.

b Untuk jumllah iterasi yang besar algoritma
AS yang teerbaik pada hasil simuulasi sedanggkan pada percobaan

MMA
Dorig
go, M.,.& Stu¨tzle,
S T. ( 2004) alggoritma ASRRank yang terbaik pada
jumlaah iterasi yaang besar.
G
Gambar 3.15. Grafik perforrma algoritmaa ACO berdassarkan waktu
p
perhitungan C
CPU pada kasus 100 titik.
Gambar 3.15
3 merperllihatkan perfforma algoriitma ACO berdasarkan
b
wakttu perhitunggan CPU, haasil simulasi dilakukan pada kasuss 100 titik.
Secara umum hasil

h yang diperoleh
d pada simulasi hampir sam
ma dengan
ekspeerimen yangg dilakukan oleh Dorigoo, M.,.& Stuu¨tzle, T. ( 2004)

2 pada
gambbar 3.12 maaupun gambbar 3.13, allgoritma AC

CS memilikii performa
terbaaik pada waaktu – waktuu awal, sedaangkan algooritma AS mempunyai

m
perfoorma yang paling

p jelekk pada wakttu berapapuun. Untuk waktu
w yang
palin
ng lama algoritma MMASS yang terbaaik.
101
BAB IV
PENUTUP
4.1 Kesimpulan
Dari pembahasan yang telah diuraikan pada bab sebelumnya, dapat
diambil suatu kesimpulan tentang algoritma Ant Colony Optimization
untuk menyelesaikan masalah Traveling Salesman sebagai berikut :
1. Algoritma Ant Colony Optimization (Ant system, Elitist Ant System,
Rank Based Ant System, Max-Min Ant System, dan Ant Colony System)
dapat digunakan untuk menyelesaikan masalah meminimalkan jarak
tempuh salesman.
2. Secara umum dari kelima algoritma ACO, algoritma ACS dapat
memberikan solusi yang lebih mendekati optimal untuk masalah
traveling salesman jika dibandingkan dengan keempat algoritma ACO
yang lainnya. Sedangkan, solusi yang kurang bagus dihasilkan oleh
algoritma AS jika dibandingkan dengan yang lainnya.
3. Durasi waktu proses perhitungan pada setiap algoritma sangat
berpengaruh besar terhadap solusi yang dihasilkan. Semakin lama
waktu yang dipergunakan, maka solusi yang dihasilkan algoritma
ACO lebih mendekati optimal.
4. Waktu yang diperlukan oleh setiap algoritma untuk mencapai tour
terbaiknya tidak berkorelasi positif dengan jumlah titik yang
102
diselesaikan, karena dalam mencari tour terbaiknya algoritma
menggunakan semut lebih dari satu.
5. Jumlah iterasi yang dipergunakan memiliki pengaruh yang cukup
signifikan, semakin banyak jumlah iterasi yang dipergunakan maka
solusi yang dihasilkan lebih mendekati optimal.
6. Jumlah iterasi yang diperlukan dalam mencapai hasil terbaik tidak
mempunyai korelasi positif dengan jumlah titik yang diselesaikan,
tetapi tergantung dari waktu yang diperlukan untuk mencapai hasil tour
terbaik.
4.2 Saran
Masalah optimasi yang dapat diselesaikan dengan algoritma Ant
Colony Optimization selain masalah traveling salesman masih banyak lagi
dan algoritma ini dapat dimodifikasi sesuai dengan aplikasi masalah yang
diselesaikan. Karena keterbatasan penulis dalam mengerjakan tugas akhir
ini maka masih banyak hal yang perlu dibenahi dan disempurnakan lagi.
Oleh karena itu, diharapkan untuk melanjutkan penelitian tentang
penerapan algoritma Ant Colony Optimization yang telah dimodifikasi
untuk masalah – masalah optimasi lainnya.
103
DAFTAR PUSTAKA
ACOTSP, Version 1.0 : http://www.aco-metaheuristic.org/aco-code. Diakses

tanggal 17 januari 2009. pukul 06.14 wib.
Bullnheimer, B., Hartl, R. F., dan Strauss, C. (1997). A new rank based version of
the Ant System—A computational study. Technical report, Institute of
Management Science, University of Vienna, Austria.
Bullnheimer, B., Hartl, R. F., dan Strauss, C. (1999). An improved ant system
algorithm for the vehicle routing problem. Technical report, Institute of
Management Science, University of Vienna, Austria.
Dorigo, M., dan Gambardella, L. M. (1997). Ant colonies for the traveling
salesman problem. Tech.Rep/IRIDIA/1996-003, Université Libre de
Bruxelles, Belgium.
Dorigo, M., dan Gambardella, L., (1996). Ant Colony System: A Cooperative
learning Approach to the Traveling Salesman Problem.
Tech.Rep/IRIDIA/1996-005, Université Libre de Bruxelles, Belgium.
Dorigo, M., Maniezzo, V., dan Colorni, A. (1991a). Positive feedback as a search
strategy. Technical report 91-016, Dipartimento di Elettronica,
Politecnico di Milano, Milan.
Dorigo, M., Maniezzo, V., dan Colorni, A. (1991b). The Ant System: An
autocatalytic optimizing process. Technical report 91-016 revised,
Dipartimento di Elettronica, Politecnico di Milano, Milan.
Dorigo, M., Maniezzo, V., dan Colorni, A. (1996). The Ant System: Optimization
by a colony of cooperating agents. IEEE Transactions on Systems, Man,
and Cybernetics—Part B, 26(1), pp.1-13.
104
Dorigo, M., dan Socha K. (2007), An Introduction to Ant Colony Optimization,
Tech.Rep/IRIDIA/2006-010, Université Libre de Bruxelles, Belgium.
Dorigo, M., dan Stu¨tzle, T. ( 2004). Ant colony optimization. A Bradford book.
The MIT Press Cambridge, Massachusetts London, England.
Irawanto, B., Sarwadi, dan Surarso, B. (2004), Buku Ajar Program Linear,
Jurusan Matematika Undip. Semarang.
Mutakhiroh, I., Saptono, F., Hasanah, N., dan Wiryadinata, R,. (2007).
Pemanfaatan Metode Heuristik Dalam Pencarian Jalur Terpendek
Dengan Algoritma Semut dan Algoritma Genetik. Seminar Nasional
Aplikasi Teknologi Informasi. ISSN: 1907-5022. Yogyakarta.
Rosenkrantz, D.J, Stearns, R.E, dan Lewis, P.M. (1977). “An analysis of several
heuristics for the traveling salesman problem,” SIAM Journal on
Computing, vol. 6, pp. 563–581.
Stu¨ tzle, T., dan Hoos, H. H. (1997). The MAX-MIN Ant System and local
search for the traveling salesman problem. In T. Ba¨ck, Z. Michalewicz,
& X. Yao (Eds.), Proceedings of the 1997 IEEE International Conference
on Evolutionary Computation (ICEC’97) (pp. 309–314). Piscataway, NJ,
IEEE Press.
TSPLIB : http://elib.zib.de/pub/Packages/mp-testdata/tsp/tsplib/tsplib.html.
Diakses tanggal 27 desember 2008. pukul 05.45 wib.
Wardy, I. S. (2007). Penggunaan graph dalam algoritma semut untuk

melakukan optimisasi, Program studi Teknik Informatika, ITB,
Bandung.
Wilson, R. J., dan Watkhins, J. J. (1990). Graph An Introductionary Approach,

A First Course in Discrete Mathematics. John Willey and Sons, New
York.
105
Lampiran 1.a
Hasil eksperiment (Dorigo, M.,.& Stu¨tzle, T. ( 2004)) perbandingan algoritma ACO berdasarkan jumlah iterasi pada kasus kroA100 (error dalam %)
Iterasi
1 5 10 50 100 500 1000 5000 10000
ke -
AS 70.8 70.8 67.2 32.6 24.5 24.5 24.5 24.5 24.5
EAS 70.8 70.8 63.6 13.5 6.3 6.3 6.3 6.3 6.3
ASrank 70.8 70.8 70.8 67.65 40 5 2 2 2
MMAS 70.8 70.8 70.8 68.55 61.35 11.7 5.6 5.6 5.6
ACS 30 11.7 10.8 11.7 9.45 5.4 5.4 5.4 5.4
Hasil eksperiment (Dorigo, M.,.& Stu¨tzle, T. ( 2004)) perbandingan algoritma ACO berdasarkan jumlah iterasi pada kasus kroA100 (panjang tour)
Iterasi
1 5 10 50 100 500 1000 5000 10000
ke -
AS 36349.656 36349.656 35583.504 28219.932 26496.09 26496.09 26496.09 26496.09 26496.09
EAS 36349.656 36349.656 34817.352 24155.07 22622.766 22622.766 22622.766 22622.766 22622.766
ASrank 36349.656 36349.656 36349.656 35679.273 29794.8 22346.1 21707.64 21707.64 21707.64
MMAS 36349.656 36349.656 36349.656 35870.811 34338.507 23771.994 22473.792 22473.792 22473.792
ACS 27666.6 23771.994 23580.456 23771.994 23293.149 22431.228 22431.228 22431.228 22431.228
106
Lampiran 2.
Hasil eksperiment (Dorigo, M.,.& Stu¨tzle, T. ( 2004)) perbandingan algoritma ACO berdasarkan waktu CPU pada kasus d198 (error dalam %))
Waktu
0.1 0.5 1 5 10 50 100 500 1000
(detik)
AS 20.53 19.06 10.53 8.8 7.73 7.46 6.53 6 6
EAS 20.26 18.8 9.3 7 5.2 4.4 3.2 2.8 2.8
ASrank 17.86 12.8 8.8 5.3 3 2.48 2.13 2 2
MMAS 20.6 19.3 17.6 15.86 10.1 4.26 2 1.33 1.2
ACS 10.4 9.06 7.6 6.46 4.93 3.73 2.8 2.53 2.53
Hasil eksperiment (Dorigo, M.,.& Stu¨tzle, T. ( 2004)) perbandingan algoritma ACO berdasarkan waktu CPU pada kasus d198 (panjang tour)
Waktu
0.1 0.5 1 5 10 50 100 500 1000
(detik)
AS 19019.634 18787.668 17441.634 17168.64 16999.794 16957.188 16810.434 16726.8 16726.8
EAS 18977.028 18746.64 17247.54 16884.6 16600.56 16474.32 16284.96 16221.84 16221.84
ASrank 18598.308 17799.84 17168.64 16616.34 16253.4 16171.344 16116.114 16095.6 16095.6
MMAS 19030.68 18825.54 18557.28 18282.708 17373.78 16452.228 16095.6 15989.874 15969.36
ACS 17421.12 17209.668 16979.28 16799.388 16557.954 16368.594 16221.84 16179.234 16179.234
107
Lampiran 3.
Hasil eksperiment (Dorigo, M.,.& Stu¨tzle, T. ( 2004)) perbandingan algoritma ACO berdasarkan waktu CPU pada kasus rat783 (error dalam %)
Waktu
1 5 10 50 100 500 1000 5000 10000
(detik)
AS 29.58 21 18.75 16.6 16.13 16 14.5 14.16 13.6
EAS 30.4 20 18.3 16.45 13.13 11 9.5 8.75 8.13
ASrank 31.25 24.1 21.08 17.08 15.25 12.7 6.25 2.9 2.9
MMAS 32.08 31 30.3 29.8 26.45 18.75 13.3 8.3 1
ACS 17.08 16 14.8 11.95 6.6 3.75 2.5 2.08 1.87
Hasil eksperiment (Dorigo, M.,.& Stu¨tzle, T. ( 2004)) perbandingan algoritma ACO berdasarkan waktu CPU pada kasus rat783 (panjang tour)
Waktu
1 5 10 50 100 500 1000 5000 10000
(detik)
AS 11410.8148 10655.26 10457.125 10267.796 10226.4078 10214.96 10082.87 10052.9296 10003.616
EAS 11483.024 10567.2 10417.498 10254.587 9962.2278 9774.66 9642.57 9576.525 9521.9278
ASrank 11557.875 10928.246 10662.3048 10310.0648 10148.915 9924.362 9356.375 9061.374 9061.374
MMAS 11630.9648 11535.86 11474.218 11430.188 11135.187 10457.125 9977.198 9536.898 8894.06
ACS 10310.0648 10214.96 10109.288 9858.317 9387.196 9136.225 9026.15 8989.1648 8970.6722
108
Lampiran 4
Koordinat Masalah
No X Y No X Y No X Y
1. 41 49 41. 42 7 81. 55 54
2. 35 17 42. 24 12 82. 15 47
3. 55 45 43. 23 3 83. 14 37
4. 55 20 44. 11 14 84. 11 31
5. 15 30 45. 6 38 85. 16 22
6. 25 30 46. 2 48 86. 4 18
7. 20 50 47. 8 56 87. 28 18
8. 10 43 48. 13 52 88. 26 52
9. 55 60 49. 6 68 89. 26 35
10. 30 60 50. 47 47 90. 31 67
11. 20 65 51. 49 58 91. 15 19
12. 50 35 52. 27 43 92. 22 22
13. 30 25 53. 37 31 93. 18 24
14. 15 10 54. 57 29 94. 26 27
15. 30 5 55. 63 23 95. 25 24
16. 10 20 56. 53 12 96. 22 27
17. 5 30 57. 32 12 97. 25 21
18. 20 40 58. 36 26 98. 19 21
19. 15 60 59. 21 24 99. 20 56
20. 45 65 60. 17 34 100. 18 18
21. 45 20 61. 12 24 101. 30 12
22. 45 10 62. 24 58 102. 23 45
23. 55 5 63. 27 69 103. 56 28
24. 65 35 64. 15 77 104. 35 37
25. 65 20 65. 62 77 105. 47 19
26. 45 30 66. 49 73 106. 56 28
27. 35 40 67. 67 5 107. 67 45
28. 41 37 68. 56 39 108. 76 33
29. 64 42 69. 37 47 109. 12 79
30. 40 60 70. 37 56 110. 65 54
31. 31 52 71. 57 68 111. 76 45
32. 35 69 72. 47 16 112. 34 78
33. 53 52 73. 44 17 113. 56 78
34. 65 55 74. 46 13 114. 36 27
35. 63 65 75. 49 11 115. 88 33
36. 2 60 76. 49 42
37. 20 20 77. 53 43
38. 5 5 78. 61 52
39. 60 12 79. 57 48
40. 40 25 80. 56 37
109
Lampiran 5
Contoh Hasil perhitungan algoritma ACO untuk beberapa kasus
ACO algorithms for the TSP, V1.0

Parameter-settings
Max – tries : 1
Max - tours : 100
Max - time : 10 /* seconds */
optimum : 1
ants : 20
nnants : 20
alpha : 1
beta : 5
rho : 0.5
q0 : 0.0
nnls : 20
localsearch : 0
dlb : 1
as.flag : 1
eas.flag : 0
ras.flag : 0
mmas.flag : 0
bwas.flag : 0
acs.flag : 0
begin problem 20.tsp

seed 1243277326
begin try 0,
best 290 iteration 1 tour 22 time 0.000

end try 0
end problem 20

Parameter-settings
Max – tries : 1
Max - tours : 100
optimum : 1
ants : 25
nnants : 20
alpha : 1
beta : 5
rho : 0.5
q0 : 0.0
elitistants : 25
nnls : 20
110
localsearch : 0
dlb : 1
as.flag : 0
eas.flag : 1
ras.flag : 0
mmas.flag : 0
bwas.flag : 0
acs.flag : 0

seed 1243277959
begin try 0,

end try 0
end problem 25

Parameter-settings
Max – tries : 1
Max - tours : 100
optimum : 1
ants : 30
nnants : 20
alpha : 1
beta : 5
rho : 0.1
q0 : 0.0
rasranks : 6
nnls : 20
localsearch : 0
dlb : 1
as.flag : 0
eas.flag : 0
ras.flag : 1
mmas.flag : 0
bwas.flag : 0
acs.flag : 0

seed 1243287282
begin try 0,

111
end try 0
end problem 30

Parameter-settings
Max – tries : 1
Max - tours : 100
optimum : 1
ants : 35
nnants : 20
alpha : 1
beta : 5
rho : 0.5
q0 : 0.0
nnls : 20
localsearch : 0
dlb : 1
as.flag : 0
eas.flag : 0
ras.flag : 0
mmas.flag : 1
bwas.flag : 0
acs.flag : 0

seed 1243289220
begin try 0,

end try 0
end problem 35
112
Parameter-settings
Max – tries : 1
Max - tours : 100
optimum : 1
ants : 80
nnants : 20
alpha : 1
beta : 5
rho : 0.1
q0 : 0.9
nnls : 20
localsearch : 0
dlb : 1
as.flag : 0
eas.flag : 0
ras.flag : 0
mmas.flag : 0
bwas.flag : 0
acs.flag : 1

seed 1243361799
begin try 0,

end try 0
end problem 80
113
Lampiran 6
Hasil simulasi algoritma ACO berdasarkan jumlah iterasi pada kasus 100 titik (Jarak Tour (mil))
Iterasi ke- 1 5 10 50 100 500 1000 2500 5000 7500 10000 50000
AS 793 775 713 703 703 682 665 665 665 662 662 662
EAS 804 750 711 663 650 646 646 640 636 636 636 636
ASrank 771 729 693 657 636 631 631 631 631 631 631 631
MMAS 805 784 758 751 726 657 628 628 628 628 628 627
ACS 769 711 694 661 650 649 648 630 630 630 630 630
Hasil simulasi algoritma ACO berdasarkan jumlah iterasi pada kasus 100 titik (Deviasi (%))
Iterasi
ke- 1 5 10 50 100 500 1000 2500 5000 7500 10000 50000
AS 26,67732 23,80192 13,89776 12,30032 12,30032 8,945687 6,230032 6,230032 6,230032 5,750799 5,750799 5,750799
EAS 28,4345 19,80831 13,57827 5,910543 3,833866 3,194888 3,194888 2,236422 1,597444 1,597444 1,597444 1,597444
ASrank 23,16294 16,45367 10,70288 4,952077 1,597444 0,798722 0,798722 0,798722 0,798722 0,798722 0,798722 0,798722
MMAS 28,59425 25,23962 21,08626 19,96805 15,97444 4,952077 0,319489 0,319489 0,319489 0,319489 0,319489 0,159744
ACS 22,84345 13,57827 10,86262 5,591054 3,833866 3,674121 3,514377 0,638978 0,638978 0,638978 0,638978 0,638978
114
Lampiran 7
Hasil simulasi algoritma ACO berdasarkan waktu perhitungan CPU pada kasus 100 titik (Jarak Tour (mil))
Waktu (dtk) 0 0,01 0,05 0,1 0,5 1 5 10 50 100
AS 728 720 713 690 673 665 665 665 662 662
EAS 728 703 676 661 648 646 641 641 641 639
ASrank 725 703 685 657 631 631 631 631 631 631
MMAS 728 724 704 641 640 640 630 628 628 627
ACS 711 693 668 637 632 632 632 628 628 628
Hasil simulasi algoritma ACO berdasarkan waktu perhitungan CPU kasus 100 titik (Deviasi (%))
Waktu
0 0,01 0,05 0,1 0,5 1 5 10 50 100
(dtk)
AS 16,29393 15,01597 13,89776 10,22364 7,507987 6,230032 6,230032 6,230032 5,750799 5,750799
EAS 16,29393 12,30032 7,98722 5,591054 3,514377 3,194888 2,396166 2,396166 2,396166 2,076677
ASrank 15,8147 12,30032 9,42492 4,952077 0,798722 0,798722 0,798722 0,798722 0,798722 0,798722
MMAS 16,29393 15,65495 12,46006 2,396166 2,236422 2,236422 0,638978 0,319489 0,319489 0,159744
ACS 13,57827 10,70288 6,709265 1,757188 0,958466 0,958466 0,958466 0,319489 0,319489 0,319489
115

Tugas Akhir (Full)

Загружено:

Сведения о документе

Авторское право

Доступные форматы

Поделиться этим документом

Поделиться или встроить документ

Параметры публикации

Этот документ был вам полезен?

Это неприемлемый материал?

Авторское право:

Доступные форматы

Tugas Akhir (Full)

Загружено:

Авторское право:

Доступные форматы

ALGORITMA ANT COLONY OPTIMIZATION (ACO) UNTUK

MENYELESAIKAN TRAVELING SALESMAN PROBLEM (TSP)

PROGRAM STUDI MATEMATIKA JURUSAN MATEMATIKA

PROGRAM STUDI MATEMATIKA JURUSAN MATEMATIKA

Judul : Algoritma Ant Colony Optimization (ACO) untuk Menyelesaikan

Traveling Salesman Problem (TSP)

Nama : Agus Leksono

NIM : J2A 002 002

Telah diujikan pada sidang Tugas Akhir tanggal 10 Juni 2009

dan dinyatakan lulus pada tanggal 16 Juni 2009

Semarang, 16 Juni 2009

Drs. Sarwadi, MSc. PhD

Dr. Widowati, S.Si. M.Si Bambang Irawanto, S.Si. M.Si

Judul : Algoritma Ant Colony Optimization (ACO) untuk Menyelesaikan

Traveling Salesman Problem (TSP)

Nama : Agus Leksono

NIM : J2A 002 002

Telah diujikan pada sidang Tugas Akhir tanggal 10 Juni 2009

Semarang, 16 Juni 2009

Drs. Sarwadi, MSc. PhD Drs. Bayu Surarso, MSc.PhD

Traveling Salesman Problem (TSP) merupakan persoalan yang penting dalam

The traveling salesman problem (TSP) is one of the important topics in

Keywords: Traveling Salesman Problem, Ant Colony Optimization, Ant System,

Puji syukur penulis panjatkan kehadirat Allah SWT yang telah

melimpahkan rahmat dan hidayah-NYA sehingga penulis dapat menyelesaikan

beserta keluarganya, sahabatnya, dan orang-orang yang tetap istiqomah dalam

Tugas Akhir dengan judul “Algoritma Ant Colony Optimization (ACO)

Untuk Menyelesaikan Traveling Salesman Problem (TSP)” disusun sebagai

Matematika dan Ilmu Pengetahuan Alam di Universitas Diponegoro Semarang.

Pada kesempatan ini penulis mengucapkan terima kasih kepada :

membimbing dan mengarahkan penulis hingga selesainya tugas akhir ini.

sabar membimbing dan mengarahkan penulis hingga selesainya tugas akhir

mendapatkan ilmu pengetahuan dan pengalaman yang sangat berharga.

tercinta. Juga kakak-kakakku dan keponakan – keponakanku yang lucu dan

tulisan ini bermanfaat untuk semua.

Semarang, Juni 2009

HALAMAN JUDUL …………………….………………….…………… i

DAFTAR ISI .……………………………………………………............ viii

DAFTAR SIMBOL…….……….………………………........................ xiii

DAFTAR GAMBAR…………………….……...…………………….. xvi

DAFTAR TABEL.……………………….…………………..........….. xviii

DAFTAR LAMPIRAN………………………………………………… xix

BAB I PENDAHULUAN…………………….……...……………. ….. 1

1.1 Latar Belakang…………………...……….…………………… 1

1.2 Rumusan Masalah…………………...………….………...…… 4

1.3 Batasan Masalah……………………………..…..……………. 4

1.4 Tujuan Penulisan…………………………..……..………. ….. 5

1.5 Sistematika Penulisan………………………..……………….. 5

BAB II DASAR TEORI………………………………..……………..... 7

2.1 Teori Graph…………………………….……………............... 7

2.1.1 Definisi Graph………………………………………… 7

2.1.2 Definisi Walk…………………….…………………..... 9

2.1.4 Definisi Cycle……………………….…………….......... 10

2.1.5 Graph Eulerian dan Graph Hamiltonian…………………. 11

2.1.6 Macam – macam Graph Menurut arah dan Bobotnya… 12

2.2.1 Definisi Masalah Optimisasi……….………….............. 14

2.2.2 Definisi Nilai Optimal……………….………………… 15

2.2.3 Macam – macam Permasalahan Optimisasi…………... 15

2.2.4 Permasalahan Rute Terpendek………………………… 16

2.2.5 Penyelesaian Masalah Optimisasi……………………… 17

2.3 Traveling Salesman Problem (TSP)…………………………… 18

2.4 Ant Colony Optimization (ACO)………………………………. 21

2.4.1 Cara Kerja Semut Menemukan Rute Terpendek

2.5 Ant System (AS) …………………….……...…………............. 25